Jeu de données ImageNette#
Le jeu de données ImageNette est un sous-ensemble d’ImageNet comprenant 10 classes facilement distinguables, créé par fast.ai pour fournir une version d’ImageNet plus rapide et plus facile à utiliser 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 — couvrant des classes telles que le vairon, le springer anglais, le lecteur de cassettes et le cor d’harmonie. Ainsi, les modèles de classification d’images s’entraînent en quelques minutes plutôt qu’en plusieurs heures, comme l’exige ImageNet complet avec ses 1 000 classes.
Fonctionnalités clés#
- ImageNette contient 13 394 images réparties sur 10 classes : vairon, springer anglais, lecteur de cassettes, tronçonneuse, église, cor d’harmonie, camion-poubelle, pompe à essence, balle de golf et parachute.
- Il est fourni avec une séparation prédéfinie de 9 469 images d’entraînement et 3 925 images de validation en couleur, de dimensions variées.
- Ses 10 classes bien distinctes rendent ImageNette rapide à entraîner et facile à analyser, c’est pourquoi il est largement utilisé pour le prototypage et l’enseignement de la classification d’images.
Structure du jeu de données#
ImageNette est fourni avec une séparation prédéfinie entre l’entraînement et la validation, chaque classe étant stockée dans son propre dossier :
| Sous-ensemble | Images | Classes |
|---|---|---|
| Entraîner | 9,469 | 10 |
| Validation | 3,925 | 10 |
Le nombre exact d’images varie selon les classes, ce qui fournit une distribution réaliste pour l’entraînement rapide et l’évaluation comparative, sans atteindre l’échelle du jeu de données ImageNet complet.
Applications#
Le jeu de données ImageNette est largement utilisé pour entraîner et évaluer des modèles de deep learning dans des tâches de classification d’images, tels que les réseaux neuronaux convolutifs (CNNs) et d’autres algorithmes d’apprentissage automatique. Son format simple et ses classes judicieusement choisies en font une ressource pratique, aussi bien 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 consulter la liste complète des arguments disponibles, reporte-toi à 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 d’annotations#
Le jeu de données ImageNette contient des images en couleur représentant divers objets et scènes, ce qui fournit un jeu de données varié pour les tâches de classification d’images. Voici quelques exemples d’images du jeu de données :
L’exemple illustre 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 accélérer le prototypage et l’entraînement, ImageNette est également disponible en deux tailles réduites : ImageNette160 et ImageNette320. Ces jeux de données conservent les mêmes classes et la même structure qu’ImageNette complet, mais les images sont redimensionnées afin que leur plus grand côté soit plus court. Ils sont particulièrement utiles pour les tests préliminaires de modèles 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 l’illustrent :
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 d’effectuer rapidement des itérations pendant le développement, tout en proposant des tâches de classification d’images réalistes. Tu peux également gérer des 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 tes travaux de recherche ou de développement, pense à le citer 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 avoir créé et maintenu ImageNette comme 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 comprenant 10 classes facilement distinguables, telles que le vairon, le springer anglais 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 offrir un jeu de données plus facile à gérer, permettant d’entraîner et d’évaluer efficacement des modèles de classification d’images. Il est donc particulièrement utile pour le développement logiciel rapide et l’éducation en apprentissage automatique et en vision par ordinateur.
ImageNette contient au total 13 394 images — 9 469 pour l’entraînement et 3 925 pour la validation — réparties sur 10 classes : vairon, springer anglais, lecteur de cassettes, tronçonneuse, église, cor d’harmonie, camion-poubelle, pompe à essence, balle de golf et parachute. Chaque classe est stockée dans son propre dossier, conformément à la structure de classification standard attendue par Ultralytics.
Le jeu de données ImageNette présente plusieurs avantages :
- Rapide et simple : Avec seulement 10 classes et environ 13 000 images, son entraînement est bien moins complexe et chronophage que celui d’ImageNet complet.
- Utilisation pédagogique : Idéal pour apprendre et enseigner les notions fondamentales 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 neuronaux convolutifs (CNNs).
Pour plus de détails sur l’entraînement des modèles et la gestion des jeux de données, consulte la section Structure du jeu de données.
Oui, ImageNette est également disponible en deux versions redimensionnées, ImageNette160 et ImageNette320, dont les images sont redimensionnées afin que leur plus grand côté soit plus court. Ces versions accélèrent le prototypage 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, consulte Entraînement avec ImageNette160 et ImageNette320.
Le jeu de données ImageNette est largement utilisé dans les domaines suivants :
- Cadre pédagogique : Pour enseigner aux débutants les fondamentaux de l’apprentissage automatique et de la vision par ordinateur.
- Développement logiciel : Pour le prototypage et le développement rapides de modèles de classification d’images.
- Recherche en deep learning : Pour évaluer et comparer les performances de différents modèles de deep learning, en particulier les réseaux neuronaux convolutifs (CNNs).
Consulte la section Applications pour découvrir des cas d’usage détaillés.
Pour entraîner un modèle YOLO sur ImageNette pendant 100 époques, utilise les commandes suivantes. Vérifie que ton environnement Ultralytics YOLO est configuré.
Pour plus de détails, consulte la page de documentation Entraînement.