Jeu de données ImageNette#
Le jeu de données ImageNette est un sous-ensemble d' ImageNet comportant 10 classes facilement identifiables, créé par fast.ai afin de fournir une version plus rapide et plus simple d'ImageNet pour le développement logiciel et l'éducation. Il contient 13 394 images en couleur — 9 469 pour l'entraînement et 3 925 pour la validation — réparties dans des classes telles que la tanche, l'English springer, le lecteur de cassette et le cor d'harmonie, permettant ainsi aux modèles de classification d'images de s'entraîner en quelques minutes plutôt qu'en plusieurs heures comme l'exige l'ensemble complet d'ImageNet avec ses 1 000 classes.
Fonctionnalités 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.
Structure du jeu de données#
ImageNette est fourni avec une séparation entraînement/validation prédéfinie, chaque classe étant stockée dans son propre dossier :
| Split | Images | Classes |
|---|---|---|
| Entraîner (Train) | 9,469 | 10 |
| Validation | 3,925 | 10 |
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.
Applications#
Le jeu de données ImageNette est largement utilisé pour l'entraînement et l'évaluation de modèles d' apprentissage profond dans des tâches de classification d'images, tels que les réseaux de neurones convolutifs (CNN) et d'autres algorithmes d'apprentissage automatique. Son format simple et ses classes bien choisies en font une ressource pratique tant pour les débutants que pour les praticiens expérimentés en apprentissage automatique et en vision par ordinateur.
Utilisation#
Pour entraîner un modèle sur le jeu de données ImageNette pendant 100 époques avec une taille d'image standard de 224x224, tu peux utiliser les extraits de code suivants. Pour obtenir une liste complète des arguments disponibles, consulte 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="imagenette", epochs=100, imgsz=224)Exemples d'images et annotations#
Le jeu de données ImageNette contient des images en couleur de divers objets et scènes, offrant un ensemble 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.
ImageNette160 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 petite. Ils sont particulièrement utiles pour les tests préliminaires de modèles ou lorsque les ressources de calcul 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 cette démarche :
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 plus petites du jeu de données permettent des itérations rapides lors du développement tout en offrant des tâches de classification d'images réalistes. Tu peux également gérer les jeux de données de classification et lancer l'entraînement dans le cloud avec Ultralytics Platform.
Citations et remerciements#
Si tu utilises le jeu de données ImageNette dans le cadre de tes recherches ou de tes travaux de développement, veilles à le mentionner de manière appropriée. Pour plus d'informations sur ImageNette, consulte la page GitHub du jeu de données ImageNette.
Nous tenons à remercier l'équipe fast.ai pour la création et la maintenance d'ImageNette, qui constitue une ressource précieuse pour la communauté de recherche en apprentissage automatique et en vision par ordinateur.
FAQ#
Le jeu de données ImageNette est un sous-ensemble simplifié d'ImageNet comportant 10 classes facilement identifiables telles que la tanche, l'English springer et le cor d'harmonie. Il contient 13 394 images (9 469 pour l'entraînement et 3 925 pour la validation) et a été créé par fast.ai pour proposer un jeu de données plus gérable facilitant l'entraînement et l'évaluation efficaces de modèles de classification d'images. Cela le rend particulièrement utile pour un développement logiciel rapide et des objectifs pédagogiques en apprentissage automatique et en vision par ordinateur.
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.
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 réseaux de neurones convolutifs (CNN).
Pour plus de détails sur l'entraînement des modèles et la gestion des jeux de données, explore la section Structure du jeu de données.
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.
Exemple d'entraînement avec ImageNette160from 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 la section Entraînement avec ImageNette160 et ImageNette320.
Le jeu de données ImageNette est largement utilisé dans :
- Cadres éducatifs : Pour enseigner aux débutants les bases de l'apprentissage automatique et de la vision par ordinateur.
- Développement logiciel : Pour le prototypage rapide et le développement de modèles de classification d'images.
- Recherche en apprentissage profond : Pour évaluer et comparer les performances de divers modèles d'apprentissage profond, en particulier les réseaux de neurones convolutifs (CNN).
Explore la section Applications pour découvrir des cas d'utilisation détaillés.
Pour entraîner un modèle YOLO sur ImageNette pendant 100 époques, utilise les commandes suivantes. Assure-toi d'avoir configuré l'environnement Ultralytics YOLO.
Pour plus de détails, consulte la page de documentation sur l'Entraînement.