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:
| Subset | Immagini | Classi |
|---|---|---|
| Addestra | 9,469 | 10 |
| Validazione | 3,925 | 10 |
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 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 Training 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="imagenette", epochs=100, imgsz=224)Immagini di esempio e annotazioni#
Il dataset ImageNette contiene immagini a colori di vari oggetti e scenari e offre quindi una raccolta diversificata per le attività di classificazione delle immagini. Ecco alcuni esempi di immagini del dataset:
L'esempio mostra la varietà e la complessità delle immagini del dataset ImageNette, evidenziando l'importanza di disporre di un dataset diversificato per addestrare modelli robusti di classificazione delle immagini.
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:
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)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, una risorsa preziosa per la comunità di ricerca del machine learning e della computer vision.
Domande frequenti#
Il dataset 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 il training e 3.925 per la validation) 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. È particolarmente utile per lo sviluppo software rapido e per la formazione nel campo del machine learning e della computer vision.
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, utilizza i seguenti comandi. Assicurati di aver configurato l'ambiente Ultralytics YOLO.
Esempio di addestramentofrom 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: è ampiamente utilizzato per addestrare e confrontare modelli di classificazione delle immagini, in particolare le reti neurali convoluzionali (CNN).
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 ImageNette160from 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:
- 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 sul deep learning: per valutare e confrontare le prestazioni di vari modelli di deep learning, in particolare delle reti neurali convoluzionali (CNN).
Consulta la sezione Applicazioni per approfondire i casi d'uso.