Link to this sectionJeu de données ImageNet10#

Le jeu de données Ultralytics ImageNet10 (data="imagenet10") est un minuscule sous-ensemble de 24 images d'ImageNet couvrant ses 10 premières classes, conçu pour les tests d'intégration continue, les vérifications de bon sens et la validation rapide des pipelines d'entraînement. Il contient 12 images d'entraînement et 12 images de validation organisées dans la même structure de dossiers WordNet-synset que le jeu de données complet, de sorte qu'un modèle qui s'entraîne sur ImageNet s'entraîne sur ImageNet10 sans modification — en quelques secondes au lieu de quelques heures. Il est conçu pour vérifier qu'un pipeline s'exécute de bout en bout, et non pour évaluer l'accuracy.

Link to this sectionFonctionnalités clés#

• ImageNet10 contient seulement 24 images (12 d'entraînement, 12 de validation) tirées des 10 premières classes d'ImageNet.
• Le jeu de données est organisé selon la hiérarchie WordNet, reflétant les dossiers synset par classe du jeu de données ImageNet complet.
• Il est conçu spécialement pour les tests d'intégration continue, les vérifications de bon sens et le débogage rapide des pipelines d'entraînement dans les tâches de computer vision.
• Bien qu'il ne soit pas conçu pour l'évaluation comparative de modèles, il donne une indication rapide de la fonctionnalité de base et de la correction d'un modèle.

Link to this sectionStructure du jeu de données#

ImageNet10 est livré avec une répartition prédéfinie, utilisant les 10 premières classes du jeu de données ImageNet complet (n01440764 tench à n01518878 ostrich) :

Chacune des 10 classes est un synset WordNet (un ensemble de termes synonymes), et les images se trouvent dans des dossiers par classe nommés par ID de synset — la disposition exacte attendue par l'entraînement à la classification d'Ultralytics. Cela fait d'ImageNet10 un substitut compact et structurellement fidèle au jeu de données complet lors du test de reconnaissance du format de dossier attendu par un modèle.

Explore ImageNet10 sur la plateforme Ultralytics pour parcourir les images regroupées par classe, visualiser la distribution des classes dans l'onglet Graphiques et le cloner pour entraîner ton propre modèle dans le cloud.

Link to this sectionApplications#

Le jeu de données ImageNet10 est utile pour tester et déboguer rapidement les modèles et pipelines de vision par ordinateur. Sa petite taille permet une itération rapide, ce qui le rend idéal pour les tests d'intégration continue et les vérifications de bon sens. Il est également pratique pour des tests préliminaires rapides de nouveaux modèles ou de modifications de code avant de passer à des exécutions à grande échelle avec le jeu de données complet ImageNet.

Link to this sectionUtilisation#

Pour tester un modèle de classification sur le jeu de données ImageNet10 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="imagenet10", epochs=5, imgsz=224)

Link to this sectionExemples d'images et annotations#

Le jeu de données ImageNet10 contient un sous-ensemble d'images du jeu de données ImageNet original, choisi pour représenter ses 10 premières classes et fournir une ressource diversifiée mais compacte pour des tests et évaluations rapides.

L'exemple présente la variété et la complexité des images du jeu de données ImageNet10, soulignant son utilité pour les vérifications de bon sens et les tests rapides de modèles de vision par ordinateur.

Link to this sectionCitations et remerciements#

Si tu utilises le jeu de données ImageNet10 dans tes travaux de recherche ou de développement, merci de citer l'article original d'ImageNet :

@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 ImageNet, dirigée par Olga Russakovsky, Jia Deng et Li Fei-Fei, pour la création et la maintenance du jeu de données ImageNet. Le sous-ensemble ImageNet10, créé par Ultralytics, est une ressource précieuse pour des tests et un débogage rapides au sein de la communauté de recherche en machine learning et en vision par ordinateur. Pour plus d'informations sur le jeu de données ImageNet et ses créateurs, visite le site Web ImageNet.

Link to this sectionFAQ#

Link to this sectionQu'est-ce que le jeu de données ImageNet10 et en quoi diffère-t-il du jeu de données ImageNet complet ?#

Le jeu de données ImageNet10 est un sous-ensemble compact de la base de données ImageNet, créé par Ultralytics pour des tests d'intégration continue rapides, des vérifications de bon sens et des évaluations de pipeline d'entraînement. Il contient 24 images (12 d'entraînement et 12 de validation) provenant des 10 premières classes d'ImageNet. Malgré sa petite taille, il préserve la structure de dossiers WordNet du jeu de données complet, ce qui le rend idéal pour des tests de pipeline rapides, mais pas pour l'évaluation comparative de la précision d'un modèle.

Link to this sectionCombien d'images et de classes possède ImageNet10 ?#

ImageNet10 contient au total 24 images — 12 pour l'entraînement et 12 pour la validation — réparties sur les 10 premières classes d'ImageNet. Chaque classe est un synset WordNet stocké dans son propre dossier, de sorte que le jeu de données reflète la disposition du jeu de données ImageNet complet avec une fraction de sa taille.

Link to this sectionComment puis-je utiliser le jeu de données ImageNet10 pour tester mon modèle d'apprentissage profond ?#

Pour tester ton modèle de classification sur ImageNet10 avec une taille d'image de 224x224, utilise les extraits de code suivants.

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="imagenet10", epochs=5, imgsz=224)

Consulte la page Entraînement pour obtenir une liste complète des arguments disponibles.

Link to this sectionPourquoi devrais-je utiliser le jeu de données ImageNet10 pour les tests d'intégration continue et les vérifications de bon sens ?#

ImageNet10 est conçu spécifiquement pour les tests d'intégration continue, les vérifications de bon sens et les évaluations rapides dans les pipelines de deep learning. Sa taille de 24 images permet une itération quasi instantanée, ce qui le rend idéal pour l'intégration continue où la vitesse est cruciale. En préservant la structure des dossiers du jeu de données ImageNet complet, il fournit une vérification fiable de la fonctionnalité de base et de la correction d'un modèle sans la surcharge liée au traitement d'un grand jeu de données.

Link to this sectionComment ImageNet10 se compare-t-il à d'autres petits jeux de données comme ImageNette ?#

Bien que ImageNet10 et ImageNette soient tous deux des sous-ensembles d'ImageNet, ils servent des objectifs différents. ImageNet10 contient seulement 24 images issues des 10 premières classes, ce qui le rend extrêmement léger pour les tests d'intégration continue et les vérifications de bon sens rapides. En revanche, ImageNette contient plus de 13 000 images réparties sur 10 classes facilement distinguables, ce qui le rend adapté à l'entraînement et au développement réels de modèles. ImageNet10 vérifie la fonctionnalité du pipeline, tandis qu'ImageNette est plus adapté aux expériences d'entraînement significatives mais plus rapides que le jeu de données ImageNet complet.