Qu’est-ce que le jeu de données ImageWoof dans Ultralytics ?

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 dans différentes résolutions (taille réelle, 320 px, 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.

Combien d’images et de races de chiens ImageWoof contient-il ?

ImageWoof contient au total 12 954 images — 9 025 pour l’entraînement et 3 929 pour la validation — réparties sur 10 races de chiens : terrier australien, terrier border, samoyède, Beagle, Shih-Tzu, foxhound anglais, ridgeback rhodésien, Dingo, Golden retriever et vieux chien de berger anglais. Chaque race est stockée dans son propre dossier, conformément à la structure de classification standard attendue par Ultralytics.

Comment entraîner un modèle avec le jeu de données ImageWoof à l’aide d’Ultralytics YOLO ?

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 : Pour plus de détails sur les arguments d’entraînement disponibles, reporte-toi à la page Entraînement.

Quelles versions du jeu de données ImageWoof sont disponibles ?

Le jeu de données ImageWoof est disponible en trois tailles : Taille réelle (imagewoof) : idéale pour l’entraînement final et l’évaluation comparative, avec des images en taille réelle. Taille moyenne (imagewoof320) : images redimensionnées avec une longueur maximale de bord de 320 pixels, adaptées à un entraînement plus rapide. Petite taille (imagewoof160) : images redimensionnées avec une longueur maximale de bord de 160 pixels, parfaites pour le prototypage rapide. Utilise ces versions en remplaçant imagewoof dans l’argument du jeu de données, selon tes besoins. Note que les images plus petites peuvent produire une précision de classification inférieure, mais qu’elles sont utiles pour itérer plus rapidement.

Quels avantages les étiquettes bruitées du jeu de données ImageWoof offrent-elles pour l’entraînement ?

Les étiquettes bruitées du jeu de données ImageWoof simulent des conditions réelles dans lesquelles les étiquettes ne sont pas toujours exactes. Entraîner des modèles avec ces données contribue à développer leur robustesse et leur généralisation pour les tâches de classification d’images. Cela prépare les modèles à gérer efficacement des données ambiguës ou mal étiquetées, une situation fréquente dans les applications pratiques.

Quels sont les principaux défis liés à l’utilisation du jeu de données ImageWoof ?

Le principal défi d’ImageWoof réside dans les différences subtiles entre les races de chiens qu’il comprend. Comme il se concentre sur 10 races étroitement apparentées, les distinguer nécessite des modèles de classification d’images plus avancés et mieux ajustés. ImageWoof constitue ainsi un excellent benchmark pour tester les capacités et les améliorations des modèles de deep learning.

Research

Jeu de données ImageWoof#

Name: Jeu de données de classification d’images ImageWoof
Creator: fast.ai
License: https://www.image-net.org/download.php
Keywords: Jeu de données ImageWoof, Sous-ensemble d’ImageNet, races de chiens, classification d’images, classification fine, apprentissage profond, apprentissage automatique, Ultralytics, étiquettes bruitées

ImageWoof is fast.ai's fine-grained ImageNet subset spanning ten visually similar dog breeds. It provides a compact but challenging classification benchmark for learning subtle differences in coat, head shape, body structure, pose, and background context.

10 classes884 MBSep 2, 2026

Shih-TzuRhodesian ridgebackBeagleEnglish foxhound+6

image-classificationimagewoofimagenet+2

Le jeu de données ImageWoof est un sous-ensemble d’ImageNet composé de 10 classes de races de chiens volontairement difficiles à distinguer, créé par fast.ai comme défi plus exigeant pour les algorithmes de classification d’images. Il contient 12 954 images en couleur — 9 025 pour l’entraînement et 3 929 pour la validation — couvrant des races comme le Beagle, le Shih-Tzu et le Golden retriever, et 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 sur 10 races de chiens : terrier australien, terrier border, samoyède, Beagle, Shih-Tzu, foxhound anglais, ridgeback rhodésien, Dingo, Golden retriever et vieux chien de berger anglais.
Il est fourni avec une séparation prédéfinie de 9 025 images d’entraînement et 3 929 images de validation, disponibles dans différentes résolutions (taille réelle, 320 px, 160 px) pour s’adapter à différents budgets de calcul.
Il comprend également une version avec des étiquettes bruitées, offrant un scénario plus réaliste dans lequel les étiquettes ne sont pas toujours fiables.

Structure du jeu de données#

ImageWoof est fourni avec une séparation prédéfinie entre entraînement et validation, chaque race de chien étant stockée dans son propre dossier :

Sous-ensemble	Images	Classes
Entraîner	9,025	10
Validation	3,929	10

Comme les 10 classes sont toutes des races de chiens, la séparation est conçue pour tester la classification fine — distinguer des catégories visuellement similaires — plutôt que la reconnaissance générale des objets du jeu de données ImageNet complet.

Applications#

Le jeu de données ImageWoof est largement utilisé pour entraîner et évaluer des modèles de deep learning sur des classes plus complexes et similaires. La difficulté réside dans les différences subtiles entre les races de chiens, ce qui repousse les limites des performances et de la 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 transfer learning 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, utilise les extraits de code ci-dessous. Pour consulter la liste complète des arguments disponibles, reporte-toi à la page Entraînement du modèle.

Exemple d’entraînement

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="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 réelle (imagewoof) : version originale avec des images en taille réelle, idéale pour l’entraînement final et l’évaluation comparative des performances.
Taille moyenne (imagewoof320) : images redimensionnées avec une longueur maximale de bord de 320 pixels, adaptées à un entraînement plus rapide sans sacrifier significativement les performances du modèle.
Petite taille (imagewoof160) : images redimensionnées avec une longueur maximale de bord de 160 pixels, conçues pour le prototypage rapide et l’expérimentation lorsque la vitesse d’entraînement est prioritaire.

Pour utiliser ces variantes, remplace simplement imagewoof dans l’argument du jeu de données par imagewoof320 ou imagewoof160. Par exemple :

Exemple

from ultralytics import YOLO

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

# For medium-sized dataset
model.train(data="imagewoof320", epochs=100, imgsz=224)

# For small-sized dataset
model.train(data="imagewoof160", epochs=100, imgsz=224)

Note que les images plus petites produiront probablement une précision de classification inférieure, mais qu’elles constituent un excellent moyen d’itérer rapidement aux premières étapes du développement du modèle. Tu peux également gérer des jeux de données de classification et exécuter l’entraînement dans le cloud avec Ultralytics Platform.

Exemples d’images et d’annotations#

Le jeu de données ImageWoof contient des images en couleur de différentes races de chiens, offrant un jeu de données exigeant pour les tâches de classification d’images. Voici quelques exemples d’images du jeu de données :

Exemples du jeu de données de classification de races de chiens ImageWoof

L’exemple présente les différences et les similitudes subtiles entre les différentes 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, merci de mentionner les créateurs du jeu de données en ajoutant un lien vers le dépôt officiel du jeu de données.

Nous souhaitons remercier l’équipe de fast.ai pour avoir créé et maintenu ImageWoof comme ressource précieuse pour la communauté de recherche en apprentissage automatique et en vision par ordinateur. Pour plus d’informations 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 dans différentes résolutions (taille réelle, 320 px, 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 au total 12 954 images — 9 025 pour l’entraînement et 3 929 pour la validation — réparties sur 10 races de chiens : terrier australien, terrier border, samoyède, Beagle, Shih-Tzu, foxhound anglais, ridgeback rhodésien, Dingo, Golden retriever et vieux chien de berger anglais. 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’entraînement
from ultralytics import YOLO model = YOLO("yolo26n-cls.pt") # Load a pretrained model results = model.train(data="imagewoof", epochs=100, imgsz=224)
Pour plus de détails sur les arguments d’entraînement disponibles, reporte-toi à la page Entraînement.
Le jeu de données ImageWoof est disponible en trois tailles :
1. Taille réelle (imagewoof) : idéale pour l’entraînement final et l’évaluation comparative, avec des images en taille réelle.
2. Taille moyenne (imagewoof320) : images redimensionnées avec une longueur maximale de bord de 320 pixels, adaptées à un entraînement plus rapide.
3. Petite taille (imagewoof160) : images redimensionnées avec une longueur maximale de bord de 160 pixels, parfaites pour le prototypage rapide.
Utilise ces versions en remplaçant imagewoof dans l’argument du jeu de données, selon tes besoins. Note que les images plus petites peuvent produire une précision de classification inférieure, mais qu’elles sont utiles pour itérer plus rapidement.
Les étiquettes bruitées du jeu de données ImageWoof simulent des conditions réelles dans lesquelles les étiquettes ne sont pas toujours exactes. Entraîner des modèles avec ces données contribue à développer leur robustesse et leur généralisation pour les tâches de classification d’images. Cela prépare les modèles à gérer efficacement des données ambiguës ou mal étiquetées, une situation fréquente dans les applications pratiques.
Le principal défi d’ImageWoof réside dans les différences subtiles entre les races de chiens qu’il comprend. Comme il se concentre sur 10 races étroitement apparentées, les distinguer nécessite des modèles de classification d’images plus avancés et mieux ajustés. ImageWoof constitue ainsi un excellent benchmark pour tester les capacités et les améliorations des modèles de deep learning.

Contributeurs

GLglenn-jocher¹⁴ JKjk4e³ RAraimbekovm² PDpderrenger¹ HIhim2him2¹ MAMatthewNoyce¹ RIRizwanMunawar¹

Créé 12 nov. 2023Mis à jour il y a 3 semaines