Dataset ImageNet10#
Il dataset ImageNet10 di Ultralytics (data="imagenet10") è un minuscolo sottoinsieme di ImageNet composto da 24 immagini e comprendente le prime 10 classi, creato per i test di integrazione continua, i controlli di integrità e la convalida rapida delle pipeline di addestramento. Contiene 12 immagini di addestramento e 12 di convalida, organizzate nella stessa struttura di cartelle basata sui synset di WordNet del dataset completo, così un modello addestrato su ImageNet può essere addestrato su ImageNet10 senza modifiche, in pochi secondi anziché in ore. È progettato per verificare che una pipeline venga eseguita dall'inizio alla fine, non per effettuare benchmark di accuratezza.
Funzionalità principali#
- ImageNet10 contiene appena 24 immagini (12 di addestramento e 12 di convalida) tratte dalle prime 10 classi di ImageNet.
- Il dataset è organizzato secondo la gerarchia di WordNet e rispecchia le cartelle dei synset per classe del dataset ImageNet completo.
- È stato progettato appositamente per i test di integrazione continua, i controlli di integrità e il debug rapido delle pipeline di addestramento in attività di computer vision.
- Sebbene non sia progettato per il benchmarking dei modelli, fornisce una rapida indicazione della funzionalità di base e della correttezza di un modello.
Struttura del dataset#
ImageNet10 viene fornito con una suddivisione predefinita che utilizza le prime 10 classi del dataset ImageNet completo (da n01440764 tench a n01518878 ostrich):
| Suddivisione | Immagini | Classi |
|---|---|---|
| Addestramento | 12 | 10 |
| Convalida | 12 | 10 |
Ciascuna delle 10 classi è un synset di WordNet (un insieme di termini sinonimici) e le immagini si trovano in cartelle specifiche per classe, denominate in base all'ID del synset: è la struttura esatta prevista dall'addestramento alla classificazione di Ultralytics. Questo rende ImageNet10 un sostituto compatto e strutturalmente fedele del dataset completo per verificare che un modello riconosca il formato di cartelle previsto.
Esplora ImageNet10 sulla Ultralytics Platform per sfogliare le immagini raggruppate per classe, visualizzare la distribuzione delle classi nella scheda Charts e clonarlo per addestrare il tuo modello nel cloud.
Applicazioni#
Il dataset ImageNet10 è utile per testare e sottoporre rapidamente a debug i modelli e le pipeline di computer vision. Le sue dimensioni ridotte consentono iterazioni rapide, rendendolo ideale per i test di integrazione continua e i controlli di integrità. È inoltre utile per i test preliminari rapidi di nuovi modelli o delle modifiche al codice, prima di passare a esecuzioni su scala completa con il dataset ImageNet completo.
Utilizzo#
Per testare un modello di classificazione sul dataset ImageNet10 con una dimensione delle immagini di 224x224, usa gli snippet di codice riportati di seguito. Per un elenco completo degli argomenti disponibili, consulta la pagina Training del modello.
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="imagenet10", epochs=5, imgsz=224)Immagini ed esempi di annotazioni#
Il dataset ImageNet10 contiene un sottoinsieme di immagini del dataset ImageNet originale, selezionate per rappresentarne le prime 10 classi e fornire una risorsa diversificata ma compatta per test e valutazioni rapidi.
L'esempio mostra la varietà e la complessità delle immagini nel dataset ImageNet10, evidenziandone l'utilità per i controlli di integrità e i test rapidi dei modelli di computer vision.
Citazioni e ringraziamenti#
Se utilizzi il dataset ImageNet10 nel tuo lavoro di ricerca o sviluppo, cita il paper originale su ImageNet:
@article{ILSVRC15,
author = {Olga Russakovsky and Jia Deng and Hao Su and Jonathan Krause and Sanjeev Satheesh and Sean Ma and Zhiheng Huang and Andrej Karpathy and Aditya Khosla and Michael Bernstein and Alexander C. Berg and Li Fei-Fei},
title={ImageNet Large Scale Visual Recognition Challenge},
year={2015},
journal={International Journal of Computer Vision (IJCV)},
volume={115},
number={3},
pages={211-252}
}Desideriamo ringraziare il team di ImageNet, guidato da Olga Russakovsky, Jia Deng e Li Fei-Fei, per aver creato e mantenuto il dataset ImageNet. Il sottoinsieme ImageNet10, creato da Ultralytics, è una risorsa preziosa per i test e il debug rapidi nella comunità di ricerca del machine learning e della computer vision. Per ulteriori informazioni sul dataset ImageNet e sui suoi creatori, visita il sito web di ImageNet.
FAQ#
Il dataset ImageNet10 è un sottoinsieme compatto del database ImageNet, creato da Ultralytics per test CI rapidi, controlli di integrità e valutazioni delle pipeline di addestramento. Contiene 24 immagini (12 di addestramento e 12 di convalida) delle prime 10 classi di ImageNet. Nonostante le dimensioni ridotte, conserva la struttura di cartelle WordNet del dataset completo, rendendolo ideale per test rapidi delle pipeline, ma non per il benchmarking dell'accuratezza dei modelli.
ImageNet10 contiene 24 immagini in totale — 12 per l'addestramento e 12 per la convalida — distribuite tra le prime 10 classi di ImageNet. Ogni classe è un synset di WordNet archiviato nella propria cartella, quindi il dataset rispecchia la struttura del dataset ImageNet completo con una frazione delle sue dimensioni.
Per testare il tuo modello di classificazione su ImageNet10 con una dimensione delle immagini di 224x224, usa gli snippet di codice seguenti.
Esempio di testfrom 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="imagenet10", epochs=5, imgsz=224)Consulta la pagina Training per un elenco completo degli argomenti disponibili.
ImageNet10 è progettato specificamente per i test CI, i controlli di integrità e le valutazioni rapide nelle pipeline di deep learning. Le sue dimensioni, pari a 24 immagini, consentono iterazioni quasi istantanee, rendendolo ideale per l'integrazione continua, dove la velocità è fondamentale. Conservando la struttura di cartelle del dataset ImageNet completo, fornisce un controllo affidabile della funzionalità di base e della correttezza di un modello senza il sovraccarico derivante dall'elaborazione di un dataset di grandi dimensioni.
Sebbene ImageNet10 e ImageNette siano entrambi sottoinsiemi di ImageNet, hanno scopi diversi. ImageNet10 contiene appena 24 immagini delle prime 10 classi, risultando estremamente leggero per i test CI e i controlli di integrità rapidi. Al contrario, ImageNette contiene oltre 13.000 immagini distribuite tra 10 classi facilmente distinguibili, risultando adatto all'addestramento e allo sviluppo effettivi dei modelli. ImageNet10 verifica la funzionalità della pipeline, mentre ImageNette è più indicato per esperimenti di addestramento significativi, ma più rapidi rispetto all'addestramento su ImageNet completo.