Dataset ImageNet10#
Le dataset ImageNet10 d'Ultralytics (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 cohérence et la validation rapide des pipelines d'entraînement. Il contient 12 images d'entraînement et 12 images de validation, organisées selon la même structure de dossiers basée sur les synsets WordNet que le dataset complet, de sorte qu'un modèle qui s'entraîne sur ImageNet s'entraîne sur ImageNet10 sans modification — en quelques secondes plutôt qu'en quelques heures. Il est conçu pour vérifier qu'un pipeline s'exécute de bout en bout, et non pour évaluer l'accuracy.
Fonctionnalités clés#
- ImageNet10 contient seulement 24 images (12 pour l'entraînement et 12 pour la validation) issues des 10 premières classes d'ImageNet.
- Le dataset est organisé selon la hiérarchie WordNet, en reproduisant les dossiers de synsets par classe du dataset ImageNet complet.
- Il est spécialement conçu pour les tests d'intégration continue, les vérifications de cohérence et le débogage rapide des pipelines d'entraînement dans les tâches de vision par ordinateur.
- Bien qu'il ne soit pas conçu pour l'évaluation comparative de modèles, il fournit une indication rapide du fonctionnement de base et de la correction d'un modèle.
Structure du jeu de données#
ImageNet10 est fourni avec une partition prédéfinie utilisant les 10 premières classes du dataset ImageNet complet (n01440764 tanche à n01518878 autruche) :
| Sous-ensemble | Images | Classes |
|---|---|---|
| Entraîner | 12 | 10 |
| Validation | 12 | 10 |
Chacune des 10 classes est un synset WordNet (un ensemble de termes synonymes), et les images sont placées dans des dossiers propres à chaque classe, nommés selon l'ID du synset — exactement la structure attendue par l'entraînement de classification Ultralytics. ImageNet10 constitue ainsi une version compacte et structurellement fidèle du dataset complet pour vérifier qu'un modèle reconnaît le format de dossiers attendu.
Explore ImageNet10 sur Ultralytics Platform pour parcourir les images regroupées par classe, consulter la répartition des classes dans l'onglet Charts et le cloner afin d'entraîner ton propre modèle dans le cloud.
Applications#
Le dataset ImageNet10 est utile pour tester et déboguer rapidement des modèles et des 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 cohérence. Il est également pratique pour effectuer rapidement des tests préliminaires de nouveaux modèles ou de modifications du code avant de passer à des exécutions à grande échelle avec le dataset ImageNet complet.
Utilisation#
Pour tester un modèle de classification sur le dataset ImageNet10 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 Training 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)Exemples d’images et d’annotations#
Le dataset ImageNet10 contient un sous-ensemble d'images du dataset ImageNet d'origine, sélectionnées pour représenter ses 10 premières classes et fournir une ressource variée, mais compacte, pour des tests et des évaluations rapides.
L'exemple met en évidence la variété et la complexité des images du dataset ImageNet10, soulignant son utilité pour les vérifications de cohérence et les tests rapides de modèles de vision par ordinateur.
Citations et remerciements#
Si tu utilises le dataset ImageNet10 dans tes travaux de recherche ou de développement, merci de citer l'article original sur 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 souhaitons remercier l'équipe ImageNet, dirigée par Olga Russakovsky, Jia Deng et Li Fei-Fei, pour avoir créé et assuré la maintenance du dataset ImageNet. Le sous-ensemble ImageNet10, créé par Ultralytics, est une ressource précieuse pour les tests et le débogage rapides dans la communauté de recherche en apprentissage automatique et en vision par ordinateur. Pour plus d'informations sur le dataset ImageNet et ses créateurs, consulte le site web d'ImageNet.
FAQ#
Le dataset ImageNet10 est un sous-ensemble compact de la base de données ImageNet, créé par Ultralytics pour les tests CI rapides, les vérifications de cohérence et l'évaluation des pipelines d'entraînement. Il contient 24 images (12 pour l'entraînement et 12 pour la validation) issues des 10 premières classes d'ImageNet. Malgré sa petite taille, il conserve la structure de dossiers WordNet du dataset complet, ce qui le rend idéal pour tester rapidement les pipelines, mais pas pour évaluer la précision des modèles.
ImageNet10 contient 24 images au total — 12 pour l'entraînement et 12 pour la validation — réparties entre les 10 premières classes d'ImageNet. Chaque classe est un synset WordNet stocké dans son propre dossier, de sorte que le dataset reproduit la structure d'ImageNet complet avec une taille réduite.
ImageNet10 est spécifiquement conçu pour les tests CI, les vérifications de cohérence 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 rapidité est essentielle. En conservant la structure de dossiers du dataset ImageNet complet, il fournit une vérification fiable du fonctionnement de base et de la correction d'un modèle, sans la surcharge liée au traitement d'un dataset volumineux.
Bien qu'ImageNet10 et ImageNette soient tous deux des sous-ensembles d'ImageNet, ils répondent à des objectifs différents. ImageNet10 contient seulement 24 images issues des 10 premières classes, ce qui le rend extrêmement léger pour les tests CI et les vérifications de cohérence rapides. À l'inverse, ImageNette contient plus de 13 000 images réparties entre 10 classes facilement distinguables, ce qui le rend adapté à l'entraînement et au développement réels de modèles. ImageNet10 vérifie le fonctionnement du pipeline, tandis qu'ImageNette convient mieux aux expériences d'entraînement pertinentes, mais plus rapides que celles menées sur l'ensemble d'ImageNet.
Pour tester ton modèle de classification sur ImageNet10 avec une taille d'image de 224x224, utilise les extraits de code suivants.
Consulte la page Entraînement pour obtenir la liste complète des arguments disponibles.