Aperçu des ensembles de données de classification d'images
Structure du jeu de données pour YOLO Tâches de classification
Pour Ultralytics YOLO pour les tâches de classification, l'ensemble de données doit être organisé dans une structure spécifique de split-direcotry sous la forme d'un tableau. root
afin de faciliter la formation, les tests et les processus de validation facultatifs. Cette structure comprend des répertoires distincts pour la formation (train
) et les tests (test
), avec un répertoire optionnel pour la validation (val
).
Chacun de ces répertoires doit contenir un sous-répertoire pour chaque classe de l'ensemble de données. Les sous-répertoires portent le nom de la classe correspondante et contiennent toutes les images de cette classe. Veille à ce que chaque fichier image porte un nom unique et soit stocké dans un format commun tel que JPEG ou PNG.
Exemple de structure de dossier
Prenons l'exemple du jeu de données CIFAR-10. La structure du dossier devrait ressembler à ceci :
cifar-10-/
|
|-- train/
| |-- airplane/
| | |-- 10008_airplane.png
| | |-- 10009_airplane.png
| | |-- ...
| |
| |-- automobile/
| | |-- 1000_automobile.png
| | |-- 1001_automobile.png
| | |-- ...
| |
| |-- bird/
| | |-- 10014_bird.png
| | |-- 10015_bird.png
| | |-- ...
| |
| |-- ...
|
|-- test/
| |-- airplane/
| | |-- 10_airplane.png
| | |-- 11_airplane.png
| | |-- ...
| |
| |-- automobile/
| | |-- 100_automobile.png
| | |-- 101_automobile.png
| | |-- ...
| |
| |-- bird/
| | |-- 1000_bird.png
| | |-- 1001_bird.png
| | |-- ...
| |
| |-- ...
|
|-- val/ (optional)
| |-- airplane/
| | |-- 105_airplane.png
| | |-- 106_airplane.png
| | |-- ...
| |
| |-- automobile/
| | |-- 102_automobile.png
| | |-- 103_automobile.png
| | |-- ...
| |
| |-- bird/
| | |-- 1045_bird.png
| | |-- 1046_bird.png
| | |-- ...
| |
| |-- ...
Cette approche structurée garantit que le modèle peut apprendre efficacement à partir de classes bien organisées pendant la phase de formation et évaluer avec précision les performances pendant les phases de test et de validation.
Utilisation
Exemple
Ensembles de données pris en charge
Ultralytics prend en charge les ensembles de données suivants en les téléchargeant automatiquement :
- Caltech 101: un ensemble de données contenant des images de 101 catégories d'objets pour les tâches de classification d'images.
- Caltech 256: Une version étendue de Caltech 101 avec 256 catégories d'objets et des images plus difficiles.
- CIFAR-10: un ensemble de données de 60 000 images couleur 32x32 réparties en 10 classes, avec 6 000 images par classe.
- CIFAR-100: Une version étendue de CIFAR-10 avec 100 catégories d'objets et 600 images par classe.
- Fashion-MNIST: Un ensemble de données composé de 70 000 images en niveaux de gris de 10 catégories de mode pour les tâches de classification d'images.
- ImageNet: Un ensemble de données à grande échelle pour la détection d'objets et la classification d'images avec plus de 14 millions d'images et 20 000 catégories.
- ImageNet-10: un sous-ensemble plus petit d'ImageNet avec 10 catégories pour une expérimentation et des tests plus rapides.
- Imagenette: Un sous-ensemble plus petit d'ImageNet qui contient 10 classes faciles Ă distinguer pour une formation et des tests plus rapides.
- Imagewoof: Un sous-ensemble plus difficile d'ImageNet contenant 10 catégories de races de chiens pour les tâches de classification d'images.
- MNIST: Un ensemble de données de 70 000 images en niveaux de gris de chiffres manuscrits pour les tâches de classification d'images.
Ajouter ton propre jeu de données
Si tu as ton propre jeu de données et que tu souhaites l'utiliser pour entraîner des modèles de classification avec Ultralytics, assure-toi qu'il respecte le format spécifié ci-dessus dans la rubrique "Format du jeu de données", puis fais pointer ton data
au répertoire du jeu de données.