Dataset ImageNette#
Il dataset ImageNette è un sottoinsieme di ImageNet con 10 classi facilmente distinguibili, creato da fast.ai per fornire una versione di ImageNet più rapida e facile da usare per lo sviluppo software e la formazione. Contiene 13.394 immagini a colori — 9.469 per l'addestramento e 3.925 per la convalida — che comprendono classi come tinca, springer inglese, lettore di cassette e corno francese, consentendo ai modelli di classificazione delle immagini di addestrarsi in pochi minuti invece che nelle ore richieste da ImageNet completo, con 1.000 classi.
Funzionalità principali#
- ImageNette contiene 13.394 immagini suddivise in 10 classi: tinca, springer inglese, lettore di cassette, motosega, chiesa, corno francese, camion della spazzatura, pompa di benzina, pallina da golf e paracadute.
- Viene fornito con una suddivisione predefinita di 9.469 immagini a colori per l'addestramento e 3.925 per la convalida, con dimensioni variabili.
- Le 10 classi ben distinte rendono ImageNette rapido da addestrare e facile da analizzare, perciò viene ampiamente utilizzato per la prototipazione e l'insegnamento della classificazione delle immagini.
Struttura del dataset#
ImageNette viene fornito con una suddivisione predefinita tra addestramento e convalida, con ogni classe memorizzata nella propria cartella:
| Suddivisione | Immagini | Classi |
|---|---|---|
| Addestramento | 9,469 | 10 |
| Convalida | 3,925 | 10 |
Il numero esatto di immagini varia a seconda della classe, fornendo una distribuzione realistica per l'addestramento rapido e il benchmarking senza le dimensioni del dataset ImageNet completo.
Applicazioni#
Il dataset ImageNette è ampiamente utilizzato per addestrare e valutare modelli di deep learning in attività di classificazione delle immagini, come le reti neurali convoluzionali (CNNs) e altri algoritmi di machine learning. Il suo formato intuitivo e le classi selezionate con cura lo rendono una risorsa utile sia per chi è alle prime armi sia per i professionisti esperti nel campo del machine learning e della computer vision.
Utilizzo#
Per addestrare un modello sul dataset ImageNette per 100 epoche con una dimensione standard delle immagini di 224x224, puoi utilizzare i seguenti frammenti di codice. Per un elenco completo degli argomenti disponibili, consulta la 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="imagenette", epochs=100, imgsz=224)Immagini ed esempi di annotazioni#
Il dataset ImageNette contiene immagini a colori di vari oggetti e scenari, fornendo un dataset diversificato per le attività di classificazione delle immagini. Ecco alcuni esempi di immagini del dataset:
L'esempio mostra la varietà e la complessità delle immagini nel dataset ImageNette, evidenziando l'importanza di un dataset diversificato per addestrare modelli robusti di classificazione delle immagini.
ImageNette160 e ImageNette320#
Per una prototipazione e un addestramento più rapidi, ImageNette è disponibile anche in due dimensioni ridotte: ImageNette160 e ImageNette320. Questi dataset mantengono le stesse classi e la stessa struttura di ImageNette completo, ma le immagini vengono ridimensionate a una lunghezza massima del bordo inferiore. Sono particolarmente utili per i test preliminari dei modelli o quando le risorse computazionali sono limitate.
Per utilizzare questi dataset, sostituisci semplicemente imagenette con imagenette160 o imagenette320 nel comando di addestramento. I seguenti frammenti di codice lo illustrano:
from ultralytics import YOLO
# Load a model
model = YOLO("yolo26n-cls.pt") # load a pretrained model (recommended for training)
# Train the model with ImageNette160
results = model.train(data="imagenette160", epochs=100, imgsz=160)from ultralytics import YOLO
# Load a model
model = YOLO("yolo26n-cls.pt") # load a pretrained model (recommended for training)
# Train the model with ImageNette320
results = model.train(data="imagenette320", epochs=100, imgsz=320)Queste versioni più piccole del dataset consentono iterazioni rapide durante lo sviluppo, fornendo al contempo attività realistiche di classificazione delle immagini. Puoi anche gestire i dataset di classificazione ed eseguire l'addestramento nel cloud con Ultralytics Platform.
Citazioni e ringraziamenti#
Se utilizzi il dataset ImageNette nel tuo lavoro di ricerca o sviluppo, cita correttamente la fonte. Per ulteriori informazioni su ImageNette, visita la pagina GitHub del dataset ImageNette.
Desideriamo ringraziare il team di fast.ai per aver creato e mantenuto ImageNette come risorsa preziosa per la comunità di ricerca nel campo del machine learning e della computer vision.
FAQ#
Il dataset ImageNette è un sottoinsieme semplificato di ImageNet con 10 classi facilmente distinguibili, tra cui tinca, springer inglese e corno francese. Contiene 13.394 immagini (9.469 per l'addestramento e 3.925 per la convalida) ed è stato creato da fast.ai per offrire un dataset più gestibile, adatto all'addestramento e alla valutazione efficienti dei modelli di classificazione delle immagini. Questo lo rende particolarmente utile per lo sviluppo rapido di software e per la formazione nel campo del machine learning e della computer vision.
ImageNette contiene complessivamente 13.394 immagini — 9.469 per l'addestramento e 3.925 per la convalida — suddivise in 10 classi: tinca, springer inglese, lettore di cassette, motosega, chiesa, corno francese, camion della spazzatura, pompa di benzina, pallina da golf e paracadute. Ogni classe è memorizzata nella propria cartella, seguendo il layout standard di classificazione previsto da Ultralytics.
Per addestrare un modello YOLO su ImageNette per 100 epoche, utilizza i seguenti comandi. Assicurati di aver configurato l'ambiente Ultralytics YOLO.
Esempio di addestramentofrom 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="imagenette", epochs=100, imgsz=224)Per ulteriori dettagli, consulta la pagina della documentazione relativa all'addestramento.
Il dataset ImageNette offre diversi vantaggi:
- Rapido e semplice: con sole 10 classi e circa 13.000 immagini, è molto meno complesso e richiede meno tempo per l'addestramento rispetto a ImageNet completo.
- Uso didattico: ideale per imparare e insegnare i concetti fondamentali della classificazione delle immagini, poiché richiede meno potenza di calcolo e meno tempo.
- Versatilità: ampiamente utilizzato per addestrare ed eseguire il benchmarking di modelli di classificazione delle immagini, in particolare reti neurali convoluzionali (CNNs).
Per ulteriori dettagli sull'addestramento dei modelli e sulla gestione dei dataset, consulta la sezione Struttura del dataset.
Sì, ImageNette è disponibile anche in due versioni ridimensionate, ImageNette160 e ImageNette320, le cui immagini vengono ridimensionate a lunghezze massime del bordo inferiori. Queste versioni consentono una prototipazione più rapida e sono particolarmente utili quando le risorse computazionali sono limitate.
Esempio di addestramento con ImageNette160from ultralytics import YOLO # Load a model model = YOLO("yolo26n-cls.pt") # Train the model with ImageNette160 results = model.train(data="imagenette160", epochs=100, imgsz=160)Per ulteriori informazioni, consulta Addestramento con ImageNette160 e ImageNette320.
Il dataset ImageNette viene ampiamente utilizzato in:
- Contesti didattici: per insegnare ai principianti i fondamenti del machine learning e della computer vision.
- Sviluppo software: per la prototipazione rapida e lo sviluppo di modelli di classificazione delle immagini.
- Ricerca nel deep learning: per valutare ed eseguire il benchmarking delle prestazioni di vari modelli di deep learning, in particolare delle reti neurali convoluzionali (CNNs).
Esplora la sezione Applicazioni per conoscere casi d'uso dettagliati.