Inizia

Dataset ImageNette

Il dataset ImageNette è un sottoinsieme di ImageNet con 10 classi facilmente distinguibili, creato da fast.ai per offrire una versione di ImageNet più rapida e semplice da usare per lo sviluppo software e la formazione. Contiene 13.394 immagini a colori — 9.469 per il training e 3.925 per la validation — appartenenti a classi come tinca, Springer inglese, lettore di cassette e corno francese, così i modelli di classificazione delle immagini vengono addestrati in pochi minuti anziché nelle ore richieste da ImageNet, che comprende 1.000 classi.

Funzionalità principali#

  • ImageNette contiene 13.394 immagini suddivise tra 10 classi: tinca, Springer inglese, lettore di cassette, motosega, chiesa, corno francese, camion della spazzatura, pompa di benzina, pallina da golf e paracadute.
  • Include una suddivisione predefinita di 9.469 immagini a colori per il training e 3.925 per la validation, con dimensioni variabili.
  • Le 10 classi ben distinte rendono ImageNette rapido da addestrare e semplice da analizzare, motivo per cui è ampiamente utilizzato per la prototipazione e l'insegnamento della classificazione delle immagini.

Struttura del dataset#

ImageNette include una suddivisione predefinita tra training e validation, con ogni classe archiviata nella propria cartella:

SubsetImmaginiClassi
Addestra9,46910
Validazione3,92510

Il numero esatto di immagini varia da una classe all'altra, offrendo una distribuzione realistica per il training e il benchmarking rapidi senza raggiungere 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, ad esempio con le reti neurali convoluzionali (CNN) e altri algoritmi di machine learning. Il formato semplice e le classi selezionate con cura lo rendono una risorsa pratica sia per chi muove i primi passi sia per i professionisti esperti nel campo del machine learning e della computer vision.

Utilizzo#

Per addestrare un modello YOLO26n-cls sul dataset ImageNette per 100 epoche con la dimensione standard delle immagini di 224x224, puoi usare i seguenti frammenti di codice.

Esempio di addestramento
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="imagenette", epochs=100, imgsz=224)

Immagini di esempio e annotazioni#

Il dataset ImageNette contiene immagini a colori di vari oggetti e scene e offre una raccolta diversificata per le attività di classificazione delle immagini. Ecco alcuni esempi di immagini del dataset:

Immagini di esempio del dataset di classificazione ImageNette

L'esempio mostra la varietà e la complessità delle immagini nel dataset ImageNette, evidenziando l'importanza di un dataset diversificato per addestrare modelli di classificazione delle immagini robusti.

ImageNette160 e ImageNette320#

Per una prototipazione e un training più rapidi, ImageNette è disponibile anche in due versioni ridotte: ImageNette160 e ImageNette320. Questi dataset mantengono le stesse classi e la stessa struttura di ImageNette completo, ma le immagini vengono ridimensionate in base a una lunghezza massima del lato inferiore. Sono particolarmente utili per i test preliminari dei modelli o quando le risorse di calcolo sono limitate.

Per utilizzare questi dataset, ti basta sostituire imagenette con imagenette160 oppure imagenette320 nel comando di training. I seguenti frammenti di codice illustrano la procedura:

Esempio di training con ImageNette160
from ultralytics import YOLO

# Carica un modello
model = YOLO("yolo26n-cls.pt")  # carica un modello preaddestrato (consigliato per l'addestramento)

# Addestra il modello con ImageNette160
results = model.train(data="imagenette160", epochs=100, imgsz=160)
Esempio di training con ImageNette320
from ultralytics import YOLO

# Carica un modello
model = YOLO("yolo26n-cls.pt")  # carica un modello preaddestrato (consigliato per l'addestramento)

# Addestra il modello con ImageNette320
results = model.train(data="imagenette320", epochs=100, imgsz=320)

Queste versioni più piccole del dataset consentono iterazioni rapide durante lo sviluppo, offrendo al contempo attività realistiche di classificazione delle immagini. Puoi anche gestire i dataset di classificazione ed eseguire il training nel cloud con Ultralytics Platform.

Citazioni e ringraziamenti#

Se utilizzi il dataset ImageNette per le tue attività di ricerca o sviluppo, citane 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 preziosa risorsa per la comunità di ricerca nell'apprendimento automatico e nella visione artificiale.

Domande frequenti#

  • Il dataset ImageNette è un sottoinsieme semplificato di ImageNet, con 10 classi facilmente distinguibili come tinca, springer spaniel 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, così da addestrare e valutare in modo efficiente i modelli di classificazione delle immagini. È quindi particolarmente utile per lo sviluppo rapido di software e per la didattica nell'apprendimento automatico e nella visione artificiale.

  • ImageNette contiene in totale 13.394 immagini — 9.469 per il training e 3.925 per la validation — suddivise tra 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 nella propria cartella, secondo la struttura standard di classificazione prevista da Ultralytics.

  • Per addestrare un modello YOLO su ImageNette per 100 epoche, usa i seguenti comandi. Assicurati di aver configurato l'ambiente Ultralytics YOLO.

    Esempio di addestramento
    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="imagenette", epochs=100, imgsz=224)

    Per ulteriori dettagli, consulta la pagina della documentazione Training.

  • Il dataset ImageNette offre diversi vantaggi:

    • Rapido e semplice: con sole 10 classi e circa 13.000 immagini, è molto meno complesso e richiede molto meno tempo per il training rispetto a ImageNet completo.
    • Uso didattico: è ideale per imparare e insegnare le nozioni di base della classificazione delle immagini, poiché richiede meno potenza di calcolo e meno tempo.
    • Versatilità: ampiamente usato per addestrare e valutare con benchmark modelli di classificazione delle immagini, in particolare le 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 hanno una lunghezza massima del lato inferiore. Queste versioni accelerano la prototipazione e sono particolarmente utili quando le risorse di calcolo sono limitate.

    Esempio di training con ImageNette160
    from ultralytics import YOLO
    
    # Carica un modello
    model = YOLO("yolo26n-cls.pt")
    
    # Addestra il modello con ImageNette160
    results = model.train(data="imagenette160", epochs=100, imgsz=160)

    Per ulteriori informazioni, consulta Training con ImageNette160 e ImageNette320.

  • Il dataset ImageNette è ampiamente utilizzato per:

    • Ambito didattico: per insegnare ai principianti i fondamenti dell'apprendimento automatico e della visione artificiale.
    • 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 delle reti neurali convoluzionali (CNNs).

    Consulta la sezione Applicazioni per approfondire i casi d'uso.

Commenti

Fai una domanda, condividi i tuoi risultati o aiuta qualcun altro.