Jeu de données ImageWoof#
Le jeu de données ImageWoof est un sous-ensemble d’ImageNet composé de 10 races de chiens délibérément difficiles à distinguer. Créé par fast.ai, il constitue un défi plus exigeant pour les algorithmes de classification d’images. Il contient 12 954 images couleur — 9 025 pour l’entraînement et 3 929 pour la validation — représentant notamment le beagle, le shih tzu et le golden retriever. Il pousse les modèles à distinguer des différences subtiles et fines plutôt que des catégories d’objets évidentes.
Fonctionnalités clés#
- ImageWoof contient 12 954 images réparties entre 10 races de chiens : terrier australien, border terrier, samoyède, beagle, shih tzu, foxhound anglais, chien de Rhodésie à crête dorsale, dingo, golden retriever et bobtail.
- Il est fourni avec une répartition prédéfinie de 9 025 images pour l’entraînement et 3 929 pour la validation. Plusieurs résolutions sont disponibles (taille réelle, 320px, 160px) pour s’adapter à différents budgets de calcul.
- Une version avec des étiquettes bruitées est également incluse. Elle permet de reproduire un scénario plus réaliste dans lequel les étiquettes ne sont pas toujours fiables.
Structure du jeu de données#
ImageWoof est fourni avec une répartition prédéfinie entre entraînement et validation, chaque race de chien étant stockée dans son propre dossier :
| Partition | Images | Classes |
|---|---|---|
| Entraînement | 9,025 | 10 |
| Validation | 3,929 | 10 |
Comme les 10 classes représentent toutes des races de chiens, la répartition vise à tester la classification fine — c’est-à-dire la distinction entre des catégories visuellement similaires — plutôt que la reconnaissance générale d’objets du jeu de données ImageNet complet.
Applications#
Le jeu de données ImageWoof est largement utilisé pour entraîner et évaluer des modèles d’apprentissage profond sur des classes plus complexes et similaires. Le défi réside dans les différences subtiles entre les races de chiens, qui mettent à l’épreuve les performances et la capacité de généralisation des modèles. Il est particulièrement utile pour :
- Évaluer les performances de classification sur des catégories fines
- Tester la robustesse des modèles face à des classes d’apparence similaire
- Développer des algorithmes capables de distinguer de subtiles différences visuelles
- Évaluer le transfert d’apprentissage de domaines généraux vers des domaines spécifiques
Utilisation#
Pour entraîner un modèle de classification sur le jeu de données ImageWoof pendant 100 époques, avec une taille d’image de 224x224 pixels, utilise les extraits de code ci-dessous. Pour consulter la liste complète des arguments disponibles, reporte-toi à la page Entraînement du modèle.
from ultralytics import YOLO
# Charger un modèle
model = YOLO("yolo26n-cls.pt") # charger un modèle préentraîné (recommandé pour l’entraînement)
# Entraîner le modèle
results = model.train(data="imagewoof", epochs=100, imgsz=224)Variantes du jeu de données#
ImageWoof est disponible en trois tailles pour répondre à différents besoins de recherche et budgets de calcul :
- Taille complète (
imagewoof) : la version originale avec des images en taille réelle, idéale pour l’entraînement final et l’évaluation des performances. - Taille moyenne (
imagewoof320) : images redimensionnées avec une longueur maximale de bord de 320 pixels, adaptées à un entraînement plus rapide sans réduction importante des performances du modèle. - Petite taille (
imagewoof160) : images redimensionnées avec une longueur maximale de bord de 160 pixels, conçues pour le prototypage et l’expérimentation rapides lorsque la vitesse d’entraînement est prioritaire.
Pour utiliser ces variantes, remplace simplement imagewoof par imagewoof320 ou imagewoof160 dans l’argument du jeu de données. Par exemple :
from ultralytics import YOLO
# Charger un modèle
model = YOLO("yolo26n-cls.pt") # charger un modèle préentraîné (recommandé pour l’entraînement)
# Pour le jeu de données de taille moyenne
model.train(data="imagewoof320", epochs=100, imgsz=224)
# Pour le jeu de données de petite taille
model.train(data="imagewoof160", epochs=100, imgsz=224)Note que des images plus petites donneront probablement une précision de classification inférieure, mais qu’elles sont idéales pour itérer rapidement au début du développement d’un modèle. Tu peux également gérer des jeux de données de classification et lancer des entraînements dans le cloud avec Ultralytics Platform.
Exemples d’images et annotations#
Le jeu de données ImageWoof contient des images colorées de différentes races de chiens et offre un défi de taille pour les tâches de classification d’images. Voici quelques exemples d’images du jeu de données :
Cet exemple illustre les différences et les similitudes subtiles entre les races de chiens, mettant en évidence la complexité et la difficulté de la tâche de classification.
Citations et remerciements#
Si tu utilises le jeu de données ImageWoof dans tes travaux de recherche ou de développement, pense à mentionner ses créateurs en ajoutant un lien vers le dépôt officiel du jeu de données.
Nous tenons à remercier l’équipe fast.ai d’avoir créé et maintenu ImageWoof, une ressource précieuse pour la communauté de l’apprentissage automatique et de la recherche en vision par ordinateur. Pour en savoir plus sur ImageWoof, consulte le dépôt du jeu de données ImageWoof.
FAQ#
Le jeu de données ImageWoof est un sous-ensemble exigeant d’ImageNet, consacré à 10 races de chiens et contenant 12 954 images (9 025 pour l’entraînement et 3 929 pour la validation). Créé par fast.ai pour repousser les limites des modèles de classification d’images, il comprend des races comme le beagle, le shih-tzu et le golden retriever. Le jeu de données est disponible en plusieurs résolutions (taille réelle, 320 px et 160 px) et comprend même des étiquettes bruitées pour des scénarios d’entraînement plus réalistes, ce qui le rend idéal pour développer des modèles avancés de deep learning.
ImageWoof contient 12 954 images au total — 9 025 pour l’entraînement et 3 929 pour la validation — réparties entre 10 races de chiens : terrier australien, border terrier, samoyède, beagle, shih-tzu, foxhound anglais, rhodesian ridgeback, dingo, golden retriever et bobtail. Chaque race est stockée dans son propre dossier, conformément à la structure de classification standard attendue par Ultralytics.
Pour entraîner un modèle de classification sur le jeu de données ImageWoof avec Ultralytics YOLO pendant 100 époques et avec une taille d’image de 224x224, utilise le code suivant :
Exemple d’entraînementfrom ultralytics import YOLO model = YOLO("yolo26n-cls.pt") # Charger un modèle préentraîné results = model.train(data="imagewoof", epochs=100, imgsz=224)Pour plus de détails sur les arguments d’entraînement disponibles, consulte la page Entraînement.
Le jeu de données ImageWoof est disponible en trois tailles :
- Grande taille (
imagewoof) : idéale pour l’entraînement final et l’évaluation comparative, elle contient des images en taille réelle. - Taille moyenne (
imagewoof320) : images redimensionnées dont le côté le plus long mesure au maximum 320 pixels, adaptées à un entraînement plus rapide. - Petite taille (
imagewoof160) : images redimensionnées dont le côté le plus long mesure au maximum 160 pixels, parfaites pour le prototypage rapide.
Utilise ces versions en remplaçant
imagewoofdans l’argument du jeu de données, selon le cas. Note que les images plus petites peuvent donner une précision de classification inférieure, mais elles sont utiles pour accélérer les itérations.- Grande taille (
Les étiquettes bruitées du jeu de données ImageWoof simulent les conditions réelles, où les étiquettes ne sont pas toujours exactes. L’entraînement des modèles avec ces données contribue à renforcer leur robustesse et leur capacité de généralisation pour les tâches de classification d’images. Il prépare les modèles à traiter efficacement les données ambiguës ou mal étiquetées, souvent présentes dans les applications pratiques.
Le principal défi d’ImageWoof tient aux différences subtiles entre les races de chiens qu’il comprend. Comme il se concentre sur 10 races étroitement apparentées, les distinguer exige des modèles de classification d’images plus avancés et mieux ajustés. ImageWoof constitue ainsi un excellent banc d’essai pour évaluer les capacités et les améliorations des modèles de deep learning.