Dataset ImageNet10#
Il dataset ImageNet10 di Ultralytics (data="imagenet10") è un minuscolo sottoinsieme di ImageNet composto da 24 immagini delle prime 10 classi, creato per i test di integrazione continua, i controlli di base 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 WordNet del dataset completo; di conseguenza, 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 valutare tramite benchmark l'accuratezza.
Funzionalità principali#
- ImageNet10 contiene solo 24 immagini (12 per l'addestramento e 12 per la convalida), tratte dalle prime 10 classi di ImageNet.
- Il dataset è organizzato secondo la gerarchia WordNet e rispecchia le cartelle dei synset per classe del dataset ImageNet completo.
- È progettato appositamente per i test di integrazione continua, i controlli di base e il debug rapido delle pipeline di addestramento nelle attività di visione artificiale.
- Pur non essendo progettato per valutare i modelli tramite benchmark, offre una rapida indicazione della funzionalità e della correttezza di base di un modello.
Struttura del dataset#
ImageNet10 include una partizione predefinita, che utilizza le prime 10 classi del dataset ImageNet completo (n01440764 tinca fino a n01518878 struzzo):
| Subset | Immagini | Classi |
|---|---|---|
| Addestra | 12 | 10 |
| Validazione | 12 | 10 |
Ognuna delle 10 classi è un synset WordNet (un insieme di termini sinonimi) e le immagini sono collocate in cartelle per classe denominate con l'ID del synset, secondo la struttura prevista dall'addestramento di classificazione di Ultralytics. In questo modo ImageNet10 è un'alternativa compatta e strutturalmente fedele al dataset completo per verificare che un modello riconosca il formato di cartelle previsto.
Esplora ImageNet10 su Ultralytics Platform per sfogliare le immagini raggruppate per classe, visualizzare la distribuzione delle classi nella scheda Grafici e clonare il dataset per addestrare il tuo modello nel cloud.
Applicazioni#
Il dataset ImageNet10 è utile per testare e correggere rapidamente problemi nei modelli e nelle pipeline di visione artificiale. Le sue dimensioni ridotte consentono iterazioni rapide, rendendolo ideale per i test di integrazione continua e i controlli di base. È inoltre utile per i test preliminari rapidi di nuovi modelli o modifiche al codice, prima di passare a esecuzioni su larga scala con il dataset ImageNet completo.
Utilizzo#
Per testare un modello di classificazione sul dataset ImageNet10 con immagini da 224x224, usa gli snippet di codice qui sotto. Per un elenco completo degli argomenti disponibili, consulta la pagina Addestramento del modello.
from ultralytics import YOLO
# Carica un modello
model = YOLO("yolo26n-cls.pt") # carica un modello preaddestrato (consigliato per l'addestramento)
# Addestra il modello
results = model.train(data="imagenet10", epochs=5, imgsz=224)Immagini di esempio e annotazioni#
Il dataset ImageNet10 contiene un sottoinsieme di immagini del dataset ImageNet originale, selezionate per rappresentare le prime 10 classi e offrire una risorsa varia ma compatta per test e valutazioni rapide.
L'esempio mostra la varietà e la complessità delle immagini del dataset ImageNet10, evidenziandone l'utilità per i controlli di coerenza e i test rapidi dei modelli di computer vision.
Citazioni e ringraziamenti#
Se utilizzi il dataset ImageNet10 per le tue attività di ricerca o sviluppo, cita l'articolo 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 test e 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.
Domande frequenti#
Il dataset ImageNet10 è un sottoinsieme compatto del database ImageNet, creato da Ultralytics per test CI rapidi, controlli di coerenza e valutazioni delle pipeline di training. Contiene 24 immagini (12 per il training e 12 per la validation) appartenenti alle prime 10 classi di ImageNet. Nonostante le dimensioni ridotte, mantiene la struttura di cartelle WordNet del dataset completo, rendendolo ideale per testare rapidamente le pipeline, ma non per confrontare l'accuratezza dei modelli.
ImageNet10 contiene in totale 24 immagini — 12 per il training e 12 per la validation — suddivise tra le prime 10 classi di ImageNet. Ogni classe è un synset WordNet archiviato nella propria cartella, quindi il dataset rispecchia la struttura del dataset ImageNet completo in una frazione delle sue dimensioni.
Per testare il tuo modello di classificazione su ImageNet10 con una dimensione delle immagini di 224x224, utilizza i seguenti frammenti di codice.
Esempio di testfrom ultralytics import YOLO # Carica un modello model = YOLO("yolo26n-cls.pt") # carica un modello preaddestrato (consigliato per l'addestramento) # Addestra il modello results = model.train(data="imagenet10", epochs=5, imgsz=224)Consulta la pagina di addestramento per un elenco completo degli argomenti disponibili.
ImageNet10 è progettato appositamente per test CI, controlli di coerenza e valutazioni rapide delle pipeline di deep learning. Le sue 24 immagini consentono iterazioni quasi istantanee, rendendolo ideale per l'integrazione continua, dove la velocità è fondamentale. Mantenendo la struttura di cartelle del dataset ImageNet completo, permette di verificare in modo affidabile la funzionalità e la correttezza di base di un modello senza il sovraccarico dovuto all'elaborazione di un dataset di grandi dimensioni.
Sebbene ImageNet10 e ImageNette siano entrambi sottoinsiemi di ImageNet, hanno scopi diversi. ImageNet10 contiene solo 24 immagini delle prime 10 classi ed è quindi estremamente leggero per i test CI e i rapidi controlli di coerenza. ImageNette, invece, contiene oltre 13.000 immagini suddivise tra 10 classi facilmente distinguibili, perciò è adatto al training e allo sviluppo effettivi dei modelli. ImageNet10 verifica il funzionamento delle pipeline, mentre ImageNette è più adatto a esperimenti di training significativi ma più rapidi rispetto a quelli con ImageNet completo.