Link to this sectionJeu 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 comme un défi plus ardu 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 — réparties entre des races telles que le Beagle, le Shih-Tzu et le Golden retriever, poussant les modèles à distinguer des différences subtiles et fines plutôt que des catégories d'objets évidentes.

Link to this sectionFonctionnalités clés#

• ImageWoof contient 12 954 images de 10 races de chiens : Australian terrier, Border terrier, Samoyed, Beagle, Shih-Tzu, English foxhound, Rhodesian ridgeback, Dingo, Golden retriever et Old English sheepdog.
• Il est fourni avec une séparation prédéfinie de 9 025 images d'entraînement et 3 929 images de validation, disponibles en plusieurs résolutions (taille réelle, 320px, 160px) pour s'adapter à différents budgets de calcul.
• Il inclut également une version avec des étiquettes bruitées, offrant un scénario plus réaliste où les étiquettes ne sont pas toujours fiables.

Link to this sectionStructure du jeu de données#

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

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 large d'objets du jeu de données ImageNet complet.

Link to this sectionApplications#

Le jeu de données ImageWoof est largement utilisé pour entraîner et évaluer des modèles de deep learning sur des classes plus complexes et similaires. Son défi réside dans les différences subtiles entre les races de chiens, repoussant les limites de la performance et de la généralisation des modèles. Il est particulièrement précieux pour :

• Évaluer les performances de classification sur des catégories fines
• Tester la robustesse des modèles face à des classes visuellement similaires
• Développer des algorithmes capables de distinguer des différences visuelles subtiles
• Évaluer l'apprentissage par transfert des domaines généraux vers des domaines spécifiques

Link to this sectionUtilisation#

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

Link to this sectionVariantes du jeu de données#

ImageWoof existe en trois tailles pour répondre aux différents besoins de recherche et budgets de calcul :

1. Taille réelle (imagewoof) : La version originale avec des images en taille réelle, idéale pour l'entraînement final et l'évaluation des performances.
2. Taille moyenne (imagewoof320) : Images redimensionnées à une longueur de bord maximale de 320 pixels, adaptées à un entraînement plus rapide sans sacrifier significativement les performances du modèle.
3. Petite taille (imagewoof160) : Images redimensionnées à une longueur de bord maximale de 160 pixels, conçues pour le prototypage rapide et l'expérimentation où la vitesse d'entraînement est une priorité.

Pour utiliser ces variantes, remplace simplement imagewoof dans l'argument du jeu de données par imagewoof320 ou imagewoof160. Par 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 donneront probablement une précision de classification inférieure, mais elles constituent un excellent moyen d'itérer rapidement au cours des premières étapes du développement du modèle. Tu peux également gérer tes jeux de données de classification et lancer des entraînements dans le cloud avec Ultralytics Platform.

Link to this sectionExemples d'images et annotations#

Le jeu de données ImageWoof contient des images colorées de diverses races de chiens, offrant un jeu de données stimulant pour les tâches de classification d'images. Voici quelques exemples d'images issues du jeu de données :

L'exemple met en évidence les différences et similitudes subtiles entre les différentes races de chiens, soulignant la complexité et la difficulté de la tâche de classification.

Link to this sectionCitations et remerciements#

Si tu utilises le jeu de données ImageWoof dans tes travaux de recherche ou de développement, merci de créditer les créateurs du jeu de données en ajoutant un lien vers le dépôt officiel du jeu de données.

Nous tenons à remercier l'équipe de fast.ai pour avoir créé et maintenu ImageWoof en tant que ressource précieuse pour la communauté de recherche en machine learning et en computer vision. Pour plus d'informations sur ImageWoof, visite le dépôt du jeu de données ImageWoof.

Link to this sectionFAQ#

Link to this sectionQu'est-ce que le jeu de données ImageWoof dans Ultralytics ?#

Le jeu de données ImageWoof est un sous-ensemble stimulant d'ImageNet axé sur 10 races de chiens, 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 présente des races telles que le Beagle, le Shih-Tzu et le Golden retriever. Le jeu de données est disponible en plusieurs résolutions (taille réelle, 320px, 160px) et inclut même des étiquettes bruitées pour des scénarios d'entraînement plus réalistes, ce qui le rend idéal pour développer des modèles de deep learning avancés.

Link to this sectionCombien d'images et de races de chiens contient ImageWoof ?#

ImageWoof contient 12 954 images au total — 9 025 pour l'entraînement et 3 929 pour la validation — réparties entre 10 races de chiens : Australian terrier, Border terrier, Samoyed, Beagle, Shih-Tzu, English foxhound, Rhodesian ridgeback, Dingo, Golden retriever et Old English sheepdog. Chaque race est stockée dans son propre dossier, en suivant la structure de classification standard attendue par Ultralytics.

Link to this sectionComment puis-je entraîner un modèle en utilisant le jeu de données ImageWoof avec Ultralytics YOLO ?#

Pour entraîner un modèle de classification sur le jeu de données ImageWoof en utilisant Ultralytics YOLO pendant 100 époques avec une taille d'image de 224x224, utilise le code suivant :

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, consulte la page Entraînement.

Link to this sectionQuelles sont les versions disponibles du jeu de données ImageWoof ?#

Le jeu de données ImageWoof est disponible en trois tailles :

1. Taille réelle (imagewoof) : Idéal pour l'entraînement final et l'évaluation, contenant des images en taille réelle.
2. Taille moyenne (imagewoof320) : Images redimensionnées avec une longueur de bord maximale de 320 pixels, adaptées à un entraînement plus rapide.
3. Petite taille (imagewoof160) : Images redimensionnées avec une longueur de bord maximale de 160 pixels, parfaites pour le prototypage rapide.

Utilise ces versions en remplaçant imagewoof dans l'argument du jeu de données en conséquence. Note que les images plus petites peuvent donner une précision de classification inférieure, mais sont utiles pour des itérations plus rapides.

Link to this sectionComment les étiquettes bruitées du jeu de données ImageWoof profitent-elles à l'entraînement ?#

Les étiquettes bruitées dans le jeu de données ImageWoof simulent des conditions réelles où les étiquettes ne sont pas toujours exactes. L'entraînement de modèles avec ces données aide à développer la robustesse et la généralisation dans les tâches de classification d'images. Cela prépare les modèles à gérer efficacement des données ambiguës ou mal étiquetées, ce qui est souvent rencontré dans les applications pratiques.

Link to this sectionQuels sont les principaux défis liés à l'utilisation du jeu de données ImageWoof ?#

Le défi principal d'ImageWoof réside dans les différences subtiles entre les races de chiens incluses. Comme il se concentre sur 10 races étroitement liées, les distinguer nécessite des modèles de classification d'images plus avancés et finement réglés. Cela fait d'ImageWoof un excellent benchmark pour tester les capacités et les améliorations des modèles de deep learning.