Link to this sectionDataset ImageNet10#

Il dataset ImageNet10 di Ultralytics (data="imagenet10") è un minuscolo sottoinsieme di 24 immagini di ImageNet che abbraccia le sue prime 10 classi, creato per test di integrazione continua, controlli di integrità e convalida rapida delle pipeline di addestramento. Contiene 12 immagini di training e 12 di validazione organizzate nella stessa struttura di cartelle WordNet-synset del dataset completo, così che un modello che viene addestrato su ImageNet possa essere addestrato su ImageNet10 senza modifiche — in pochi secondi invece che ore. È progettato per verificare che una pipeline funzioni dall'inizio alla fine, non per il benchmarking della precisione.

Link to this sectionCaratteristiche principali#

• ImageNet10 contiene solo 24 immagini (12 per il training, 12 per la validazione) tratte dalle prime 10 classi di ImageNet.
• Il dataset è organizzato secondo la gerarchia WordNet, rispecchiando le cartelle synset per classe del dataset ImageNet completo.
• È appositamente creato per test di integrazione continua, controlli di integrità e 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.

Link to this sectionStruttura del dataset#

ImageNet10 viene fornito con una suddivisione predefinita, utilizzando le prime 10 classi del dataset ImageNet completo (da n01440764 tench a n01518878 ostrich):

Ognuna delle 10 classi è un synset WordNet (un insieme di termini sinonimi) e le immagini si trovano in cartelle per classe denominate tramite ID synset: il layout esatto che l'addestramento alla classificazione di Ultralytics si aspetta. Questo rende ImageNet10 un sostituto compatto e strutturalmente fedele al dataset completo quando si verifica che un modello riconosca il formato di cartella previsto.

Esplora ImageNet10 sulla piattaforma Ultralytics per sfogliare le immagini raggruppate per classe, visualizzare la distribuzione delle classi nella scheda Grafici e clonarlo per addestrare il tuo modello nel cloud.

Link to this sectionApplicazioni#

Il dataset ImageNet10 è utile per testare e sottoporre a debug rapidamente modelli e pipeline di computer vision. Le sue dimensioni ridotte consentono un'iterazione rapida, rendendolo ideale per test di integrazione continua e controlli di integrità. È anche utile per test preliminari veloci di nuovi modelli o modifiche al codice prima di passare all'esecuzione su vasta scala con il dataset ImageNet completo.

Link to this sectionUtilizzo#

Per testare un modello di classificazione sul dataset ImageNet10 a una dimensione dell'immagine di 224x224, usa gli snippet di codice sottostanti. Per un elenco completo degli argomenti disponibili, fai riferimento alla pagina Addestramento 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)

Link to this sectionEsempi di immagini e annotazioni#

Il dataset ImageNet10 contiene un sottoinsieme di immagini dal dataset ImageNet originale, scelte per rappresentare le sue 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, evidenziando la sua utilità per controlli di integrità e test rapidi di modelli di computer vision.

Link to this sectionCitazioni e riconoscimenti#

Se utilizzi il dataset ImageNet10 nel tuo lavoro di ricerca o sviluppo, cita il paper originale di 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}
}

Vorremmo 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 test rapidi e debug nella comunità di ricerca sull'apprendimento automatico e sulla computer vision. Per ulteriori informazioni sul dataset ImageNet e sui suoi creatori, visita il sito web di ImageNet.

Link to this sectionFAQ#

Link to this sectionCos'è il dataset ImageNet10 e in cosa differisce dal dataset ImageNet completo?#

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 training e 12 di validazione) dalle prime 10 classi di ImageNet. Nonostante le dimensioni ridotte, conserva la struttura delle cartelle WordNet del dataset completo, rendendolo ideale per test rapidi della pipeline ma non per il benchmarking della precisione del modello.

Link to this sectionQuante immagini e classi ha ImageNet10?#

ImageNet10 contiene 24 immagini in totale — 12 per il training e 12 per la validazione — distribuite nelle prime 10 classi di ImageNet. Ogni classe è un synset WordNet memorizzato nella propria cartella, quindi il dataset rispecchia il layout del dataset ImageNet completo in una frazione delle dimensioni.

Link to this sectionCome posso utilizzare il dataset ImageNet10 per testare il mio modello di deep learning?#

Per testare il tuo modello di classificazione su ImageNet10 a una dimensione dell'immagine di 224x224, utilizza i seguenti snippet di codice.

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)

Consulta la pagina di Training per un elenco completo degli argomenti disponibili.

Link to this sectionPerché dovrei utilizzare il dataset ImageNet10 per test CI e controlli di integrità?#

ImageNet10 è progettato specificamente per test CI, controlli di integrità e valutazioni rapide nelle pipeline di deep learning. La sua dimensione di 24 immagini consente un'iterazione quasi istantanea, rendendolo ideale per l'integrazione continua dove la velocità è fondamentale. Preservando la struttura delle cartelle del dataset ImageNet completo, fornisce una verifica affidabile della funzionalità di base e della correttezza di un modello senza il sovraccarico derivante dall'elaborazione di un dataset di grandi dimensioni.

Link to this sectionCome si confronta ImageNet10 con altri piccoli dataset come ImageNette?#

Sebbene sia ImageNet10 che ImageNette siano sottoinsiemi di ImageNet, servono a scopi diversi. ImageNet10 contiene solo 24 immagini dalle prime 10 classi, rendendolo estremamente leggero per test CI e controlli di integrità rapidi. Al contrario, ImageNette contiene oltre 13.000 immagini distribuite in 10 classi facilmente distinguibili, rendendolo adatto per l'addestramento e lo sviluppo effettivo del modello. ImageNet10 verifica la funzionalità della pipeline, mentre ImageNette è migliore per esperimenti di addestramento significativi ma più veloci rispetto al dataset ImageNet completo.