Link to this sectionJeu de données ImageNette#

Le jeu de données ImageNette est un sous-ensemble d'ImageNet composé de 10 classes facilement distinguables, créé par fast.ai pour fournir une version plus rapide et plus simple d'ImageNet destinée au développement logiciel et à l'éducation. Il contient 13 394 images couleur — 9 469 pour l'entraînement et 3 925 pour la validation — couvrant des classes telles que la tanche, l'épagneul anglais, le lecteur de cassettes et le cor français, permettant ainsi aux modèles de classification d'images de s'entraîner en quelques minutes plutôt qu'en plusieurs heures comme l'exige l'ImageNet complet de 1 000 classes.

Link to this sectionFonctionnalités clés#

• ImageNette contient 13 394 images réparties en 10 classes : tanche, épagneul anglais, lecteur de cassettes, tronçonneuse, église, cor français, camion poubelle, pompe à essence, balle de golf et parachute.
• Il est fourni avec une séparation prédéfinie de 9 469 images couleur d'entraînement et 3 925 images de validation de dimensions variables.
• Les 10 classes bien distinctes rendent ImageNette rapide à entraîner et facile à appréhender, ce qui en fait un outil largement utilisé pour le prototypage et l'enseignement de la classification d'images.

Link to this sectionStructure du jeu de données#

ImageNette est fourni avec une séparation entraînement/validation prédéfinie, chaque classe étant stockée dans son propre dossier :

Le nombre exact d'images varie par classe, offrant une distribution réaliste pour un entraînement et une évaluation rapides sans l'échelle du jeu de données ImageNet complet.

Link to this sectionApplications#

Le jeu de données ImageNette est largement utilisé pour l'entraînement et l'évaluation de modèles de deep learning dans des tâches de classification d'images, tels que les Convolutional Neural Networks (CNNs) et autres algorithmes de machine learning. Son format simple et ses classes bien choisies en font une ressource pratique pour les praticiens débutants comme expérimentés en machine learning et en computer vision.

Link to this sectionUtilisation#

Pour entraîner un modèle sur le jeu de données ImageNette pendant 100 epochs avec une taille d'image standard de 224x224, tu peux utiliser les extraits de code suivants. Pour une liste exhaustive des arguments disponibles, consulte 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="imagenette", epochs=100, imgsz=224)

Link to this sectionExemples d'images et annotations#

Le jeu de données ImageNette contient des images en couleur de divers objets et scènes, offrant un ensemble de données diversifié pour les tâches de classification d'images. Voici quelques exemples d'images issues du jeu de données :

L'exemple montre la variété et la complexité des images du jeu de données ImageNette, soulignant l'importance d'un jeu de données diversifié pour entraîner des modèles de classification d'images robustes.

Link to this sectionImageNette160 et ImageNette320#

Pour un prototypage et un entraînement plus rapides, ImageNette est également disponible en deux tailles réduites : ImageNette160 et ImageNette320. Ces jeux de données conservent les mêmes classes et la même structure que l'ImageNette complet, mais les images sont redimensionnées à une longueur de bord maximale plus courte. Ils sont particulièrement utiles pour les tests de modèles préliminaires ou lorsque les ressources informatiques sont limitées.

Pour utiliser ces jeux de données, remplace simplement imagenette par imagenette160 ou imagenette320 dans la commande d'entraînement. Les extraits de code suivants illustrent cela :

from ultralytics import YOLO

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

# Train the model with ImageNette160
results = model.train(data="imagenette160", epochs=100, imgsz=160)

from ultralytics import YOLO

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

# Train the model with ImageNette320
results = model.train(data="imagenette320", epochs=100, imgsz=320)

Ces versions réduites du jeu de données permettent des itérations rapides pendant le développement tout en offrant des tâches de classification d'images réalistes. Tu peux également gérer tes jeux de données de classification et lancer des entraînements dans le cloud avec Ultralytics Platform.

Link to this sectionCitations et remerciements#

Si tu utilises le jeu de données ImageNette dans tes travaux de recherche ou de développement, merci de le citer de manière appropriée. Pour plus d'informations sur ImageNette, visite la page GitHub du jeu de données ImageNette.

Nous tenons à remercier l'équipe de fast.ai pour avoir créé et maintenu ImageNette en tant que ressource précieuse pour la communauté de recherche en machine learning et en computer vision.

Link to this sectionFAQ#

Link to this sectionQu'est-ce que le jeu de données ImageNette ?#

Le jeu de données ImageNette est un sous-ensemble simplifié d'ImageNet avec 10 classes facilement distinguables comme la tanche, l'épagneul anglais et le cor français. Il contient 13 394 images (9 469 pour l'entraînement et 3 925 pour la validation) et a été créé par fast.ai pour offrir un jeu de données plus gérable pour un entraînement et une évaluation efficaces des modèles de classification d'images. Cela le rend particulièrement utile pour le développement logiciel rapide et à des fins éducatives en machine learning et en computer vision.

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

ImageNette contient 13 394 images au total — 9 469 pour l'entraînement et 3 925 pour la validation — réparties en 10 classes : tanche, épagneul anglais, lecteur de cassettes, tronçonneuse, église, cor français, camion poubelle, pompe à essence, balle de golf et parachute. Chaque classe est stockée dans son propre dossier, suivant la disposition de classification standard attendue par Ultralytics.

Link to this sectionComment puis-je utiliser le jeu de données ImageNette pour entraîner un modèle YOLO ?#

Pour entraîner un modèle YOLO sur ImageNette pendant 100 epochs, utilise les commandes suivantes. Assure-toi que ton environnement Ultralytics YOLO est bien configuré.

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="imagenette", epochs=100, imgsz=224)

Pour plus de détails, consulte la page de documentation Training.

Link to this sectionPourquoi devrais-je utiliser ImageNette pour des tâches de classification d'images ?#

Le jeu de données ImageNette est avantageux pour plusieurs raisons :

• Rapide et simple : Avec seulement 10 classes et environ 13 000 images, il est beaucoup moins complexe et moins long à entraîner que l'ImageNet complet.
• Usage éducatif : Idéal pour apprendre et enseigner les bases de la classification d'images, car il nécessite moins de puissance de calcul et de temps.
• Polyvalence : Largement utilisé pour entraîner et évaluer des modèles de classification d'images, en particulier les Convolutional Neural Networks (CNNs).

Pour plus de détails sur l'entraînement de modèles et la gestion des jeux de données, explore la section Dataset Structure.

Link to this sectionLe jeu de données ImageNette peut-il être utilisé avec différentes tailles d'images ?#

Oui, ImageNette est également disponible en deux versions redimensionnées, ImageNette160 et ImageNette320, dont les images sont redimensionnées à des longueurs de bord maximales plus courtes. Ces versions facilitent un prototypage plus rapide et sont particulièrement utiles lorsque les ressources informatiques sont limitées.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n-cls.pt")

# Train the model with ImageNette160
results = model.train(data="imagenette160", epochs=100, imgsz=160)

Pour plus d'informations, reporte-toi à Training with ImageNette160 and ImageNette320.

Link to this sectionQuelles sont les applications pratiques du jeu de données ImageNette ?#

Le jeu de données ImageNette est largement utilisé dans :

• Cadres éducatifs : Pour enseigner aux débutants les fondamentaux du machine learning et de la computer vision.
• Développement logiciel : Pour le prototypage rapide et le développement de modèles de classification d'images.
• Recherche en deep learning : Pour évaluer et comparer les performances de divers modèles de deep learning, en particulier les Neural Networks convolutifs (CNNs).

Explore la section Applications pour des cas d'utilisation détaillés.