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 des 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 à une taille d'image de 224x224, et se télécharge sous la forme d'environ 144 Go de données. La base de données ImageNet plus large est beaucoup plus vaste — plus de 14 millions d'images haute résolution annotées avec des synsets WordNet répartis dans plus de 20 000 catégories — mais Ultralytics s'entraîne sur le sous-ensemble standardisé ILSVRC à 1 000 classes qui est devenu la référence de fait pour le deep learning en computer vision.

Modèles pré-entraînés 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), la référence de pré-entraînement standard pour la classification d'images.
• Les classes sont organisées selon la hiérarchie WordNet, où chaque classe correspond à un synset (un ensemble de termes synonymes).
• Les images sont entraînées en 224x224, et le jeu de données complet représente un téléchargement important d'environ ~144 Go.
• Le défi annuel ImageNet Large Scale Visual Recognition Challenge (ILSVRC) a joué un rôle déterminant dans l'avancement de la recherche en computer vision.

Structure du jeu de données#

Le jeu de données Ultralytics ImageNet utilise le découpage ILSVRC-2012 :

Les images sont stockées dans des dossiers par classe nommés par ID de synset WordNet (par exemple, n01440764), la disposition attendue par l'entraînement de classification d'Ultralytics. Chacune des 1 000 classes correspond à un synset WordNet, et il n'y a pas de répartition de test séparée, donc le jeu de données de validation de 50 000 images est utilisé pour mesurer la précision.

ImageNet Large Scale Visual Recognition Challenge (ILSVRC)#

Le concours annuel ImageNet Large Scale Visual Recognition Challenge (ILSVRC) a permis aux chercheurs d'évaluer des algorithmes sur un jeu de données standardisé à grande échelle avec des métriques d'évaluation cohérentes. Il a stimulé des avancées majeures dans le deep learning 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 à lancer l'ère moderne du deep learning.

Applications#

Le jeu de données ImageNet est largement utilisé pour entraîner et évaluer des modèles de deep learning pour la classification d'images, la détection d'objets et la localisation d'objets. Des architectures de référence telles qu'AlexNet, VGG et ResNet ont toutes été développées et évaluées sur ImageNet, et les poids pré-entraînés sur ImageNet restent un point de départ courant pour le transfer learning à travers diverses tâches de vision.

Utilisation#

Pour entraîner un modèle de classification YOLO sur ImageNet pendant 100 époques à une taille d'image de 224x224, utilise les extraits de code ci-dessous. Pour une liste complète des arguments disponibles, consulte la page d'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 des jeux de données de classification et exécuter l'entraînement dans le cloud avec Ultralytics Platform.

Exemples d'images et annotations#

Le jeu de données ImageNet couvre les 1 000 classes ILSVRC-2012, offrant une ressource variée et étendue pour entraîner et évaluer des modèles de computer vision. Voici quelques exemples d'images issues du jeu de données :

Citations et remerciements#

Si tu utilises le jeu de données ImageNet dans 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 tenons à remercier l'équipe d'ImageNet, dirigée par Olga Russakovsky, Jia Deng et Li Fei-Fei, pour la création et la maintenance du jeu de données ImageNet en tant que ressource précieuse pour la communauté de recherche en machine learning et en computer vision. Pour plus d'informations sur le jeu de données ImageNet et ses créateurs, visite le site Web d'ImageNet.

FAQ#