Dataset ImageNette#
Il set di dati ImageNette è un sottoinsieme di ImageNet con 10 classi facilmente distinguibili, creato da fast.ai per offrire una versione più rapida e semplice di ImageNet per lo sviluppo software e la didattica. Contiene 13.394 immagini a colori — 9.469 per l'addestramento e 3.925 per la convalida — che coprono classi come tinca, springer inglese, registratore a cassette e corno francese, in modo che i modelli di image classification si addestrino in pochi minuti anziché nelle ore richieste dall'intero ImageNet a 1.000 classi.
Caratteristiche principali#
- ImageNette contiene 13.394 immagini divise 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 validazione, di dimensioni variabili.
- Le 10 classi ben distinte rendono ImageNette veloce da addestrare e facile da comprendere, quindi è ampiamente utilizzato per la prototipazione e l'insegnamento della classificazione delle immagini.
Struttura del dataset#
ImageNette viene fornito con una suddivisione predefinita per addestramento/validazione, con ogni classe archiviata in una propria cartella:
| Split | Immagini | Classi |
|---|---|---|
| Addestramento | 9,469 | 10 |
| Validazione | 3,925 | 10 |
Il numero esatto di immagini varia per classe, offrendo una distribuzione realistica per un addestramento rapido e un benchmarking senza la scala del dataset ImageNet completo.
Applicazioni#
Il set di dati ImageNette è ampiamente utilizzato per addestrare e valutare modelli di deep learning in attività di classificazione di immagini, come Convolutional Neural Networks (CNN) e altri algoritmi di machine learning. Il suo formato intuitivo e le classi ben scelte lo rendono una risorsa pratica sia per i principianti che per i professionisti esperti in machine learning e computer vision.
Utilizzo#
Per addestrare un modello sul set di dati ImageNette per 100 epochs con una dimensione immagine standard di 224x224, puoi utilizzare i seguenti frammenti di codice. Per un elenco completo degli argomenti disponibili, fai riferimento alla pagina di 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="imagenette", epochs=100, imgsz=224)Esempi di immagini e annotazioni#
Il set di dati ImageNette contiene immagini a colori di vari oggetti e scene, fornendo un set di dati diversificato per attività di image classification. Ecco alcuni esempi di immagini dal set di dati:
L'esempio mostra la varietà e la complessità delle immagini nel dataset ImageNette, evidenziando l'importanza di un dataset diversificato per l'addestramento di modelli di classificazione delle immagini robusti.
ImageNette160 e ImageNette320#
Per una prototipazione e un addestramento più rapidi, ImageNette è disponibile anche in due dimensioni ridotte: ImageNette160 e ImageNette320. Questi set di dati mantengono le stesse classi e la stessa struttura del set ImageNette completo, ma le immagini vengono ridimensionate a una lunghezza del bordo massimo inferiore. Sono particolarmente utili per i test preliminari dei modelli o quando le risorse computazionali sono limitate.
Per utilizzare questi set di dati, basta sostituire 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 set di dati consentono iterazioni rapide durante lo sviluppo pur offrendo attività di classificazione di immagini realistiche. Puoi anche gestire i set di dati di classificazione ed eseguire l'addestramento nel cloud con Ultralytics Platform.
Citazioni e riconoscimenti#
Se utilizzi il set di dati ImageNette nel tuo lavoro di ricerca o sviluppo, ti preghiamo di riconoscerlo in modo appropriato. Per ulteriori informazioni su ImageNette, visita la pagina GitHub del set di dati ImageNette.
Vorremmo ringraziare il team di fast.ai per aver creato e mantenuto ImageNette come risorsa preziosa per la comunità di ricerca di machine learning e computer vision.
FAQ#
Il set di dati ImageNette è un sottoinsieme semplificato di ImageNet con 10 classi facilmente distinguibili come 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 set di dati più gestibile per un addestramento e una valutazione efficienti dei modelli di classificazione di immagini. Questo lo rende particolarmente utile per il rapido sviluppo di software e scopi educativi nel machine learning e nella computer vision.
ImageNette contiene 13.394 immagini in totale — 9.469 per l'addestramento e 3.925 per la validazione — 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 archiviata in una propria cartella, seguendo il layout di classificazione standard previsto da Ultralytics.
Per addestrare un modello YOLO su ImageNette per 100 epochs, 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 di documentazione Training.
Il dataset ImageNette è vantaggioso per diversi motivi:
- Rapido e semplice: Con sole 10 classi e circa 13.000 immagini, è molto meno complesso e richiede meno tempo per l'addestramento rispetto al dataset ImageNet completo.
- Uso educativo: Ideale per imparare e insegnare le basi della classificazione delle immagini, poiché richiede meno potenza di calcolo e tempo.
- Versatilità: Ampiamente utilizzato per addestrare e confrontare modelli di classificazione di immagini, in particolare Convolutional Neural Networks (CNN).
Per ulteriori dettagli sull'addestramento dei modelli e sulla gestione dei set di dati, esplora la sezione Dataset Structure.
Sì, ImageNette è disponibile anche in due versioni ridimensionate, ImageNette160 e ImageNette320, le cui immagini sono ridimensionate a lunghezze del bordo massimo inferiori. Queste versioni aiutano a prototipare più velocemente 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, fai riferimento a Training with ImageNette160 and ImageNette320.
Il dataset ImageNette è ampiamente utilizzato in:
- Contesti educativi: 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 sul Deep Learning: Per valutare e confrontare le prestazioni di vari modelli di deep learning, in particolare Convolutional Neural Networks (CNN).
Esplora la sezione Applications per casi d'uso dettagliati.