Jeu de données ImageNet#

Le jeu de données Ultralytics ImageNet (data="imagenet") est le sous-ensemble ImageNet-1k / ILSVRC-2012 utilisé pour entraîner et évaluer les modèles de classification d’images. Il contient 1 000 classes d’objets, avec 1 281 167 images d’entraînement et 50 000 images de validation au format 224x224, et son téléchargement représente environ 144 Go de données. La base ImageNet dans son ensemble est bien plus vaste — plus de 14 millions d’images haute résolution annotées avec des synsets WordNet dans plus de 20 000 catégories — mais Ultralytics entraîne ses modèles sur le sous-ensemble ILSVRC standardisé de 1 000 classes, devenu le benchmark de facto de l’apprentissage profond en vision par ordinateur.

Modèles préentraînés sur ImageNet#

Fonctionnalités clés#

• Le jeu de données Ultralytics imagenet fournit 1 000 classes, avec 1 281 167 images d’entraînement et 50 000 images de validation (ILSVRC-2012), le benchmark standard de préentraînement pour la classification d’images.
• Les classes sont organisées selon la hiérarchie WordNet, chaque classe correspondant à un synset (un ensemble de termes synonymes).
• Les images sont entraînées au format 224x224, et le jeu de données complet représente un téléchargement volumineux d’environ ~144 Go.
• L’ImageNet Large Scale Visual Recognition Challenge (ILSVRC), organisé chaque année, a joué un rôle déterminant dans l’avancement de la recherche en vision par ordinateur.

Structure du jeu de données#

Le jeu de données Ultralytics ImageNet utilise la partition ILSVRC-2012 :

Les images sont stockées dans des dossiers correspondant à chaque classe, nommés selon l’identifiant du synset WordNet (par exemple, n01440764), conformément à la structure attendue par l’entraînement de classification Ultralytics. Chacune des 1 000 classes correspond à un synset WordNet, et il n’existe pas de partition de test distincte : le jeu de validation de 50 000 images sert donc à mesurer l’exactitude.

ImageNet Large Scale Visual Recognition Challenge (ILSVRC)#

L’ImageNet Large Scale Visual Recognition Challenge (ILSVRC), organisé chaque année, permettait aux chercheurs d’évaluer leurs algorithmes sur un jeu de données standardisé à grande échelle, avec des métriques d’évaluation cohérentes. Il a entraîné des avancées majeures de l’apprentissage profond pour la classification d’images, la détection d’objets et d’autres tâches de vision — notamment la victoire d’AlexNet en 2012, qui a contribué au lancement de l’ère moderne de l’apprentissage profond.

Applications#

Le jeu de données ImageNet est largement utilisé pour entraîner et évaluer des modèles d’apprentissage profond pour la classification d’images, la détection d’objets et la localisation d’objets. Des architectures emblématiques telles qu’AlexNet, VGG et ResNet ont toutes été développées et évaluées sur ImageNet, et les poids préentraînés sur ImageNet restent un point de départ courant pour l’apprentissage par transfert dans les différentes tâches de vision.

Utilisation#

Pour entraîner un modèle de classification YOLO sur ImageNet pendant 100 époques avec une taille d’image de 224x224, utilise les extraits de code ci-dessous. Pour consulter la liste complète des arguments disponibles, reporte-toi à la page Entraînement du modèle.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n-cls.pt")  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data="imagenet", epochs=100, imgsz=224)

Tu peux également gérer les jeux de données de classification et lancer l’entraînement dans le cloud avec Ultralytics Platform.

Exemples d’images et d’annotations#

Le jeu de données ImageNet couvre les 1 000 classes ILSVRC-2012 et constitue une ressource vaste et diversifiée pour entraîner et évaluer des modèles de vision par ordinateur. Voici quelques exemples d’images du jeu de données :

Citations et remerciements#

Si tu utilises le jeu de données ImageNet dans le cadre de tes travaux de recherche ou de développement, merci de citer l’article suivant :

@article{ILSVRC15,
         author = {Olga Russakovsky and Jia Deng and Hao Su and Jonathan Krause and Sanjeev Satheesh and Sean Ma and Zhiheng Huang and Andrej Karpathy and Aditya Khosla and Michael Bernstein and Alexander C. Berg and Li Fei-Fei},
         title={ImageNet Large Scale Visual Recognition Challenge},
         year={2015},
         journal={International Journal of Computer Vision (IJCV)},
         volume={115},
         number={3},
         pages={211-252}
}

Nous souhaitons remercier l’équipe ImageNet, dirigée par Olga Russakovsky, Jia Deng et Li Fei-Fei, pour avoir créé et maintenu le jeu de données ImageNet en tant que ressource précieuse pour la communauté de recherche en apprentissage automatique et en vision par ordinateur. Pour en savoir plus sur le jeu de données ImageNet et ses créateurs, consulte le site web d’ImageNet.

FAQ#