Link to this sectionDataset 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 semplice da usare per lo sviluppo software e l'istruzione. Contiene 13.394 immagini a colori — 9.469 per l'addestramento e 3.925 per la validazione — che spaziano tra classi come tinca, springer inglese, lettore di cassette e corno francese, così i modelli di classificazione delle immagini si addestrano in pochi minuti anziché nelle ore richieste dal dataset ImageNet completo da 1.000 classi.

Link to this sectionCaratteristiche 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.

Link to this sectionStruttura del dataset#

ImageNette viene fornito con una suddivisione predefinita per addestramento/validazione, con ogni classe archiviata in una propria cartella:

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.

Link to this sectionApplicazioni#

Il dataset ImageNette è ampiamente utilizzato per l'addestramento e la valutazione di modelli di deep learning in attività di classificazione delle immagini, come le Convolutional Neural Networks (CNN) e altri algoritmi di machine learning. Il suo formato semplice e le classi ben selezionate lo rendono una risorsa pratica sia per i principianti che per i professionisti esperti in machine learning e computer vision.

Link to this sectionUtilizzo#

Per addestrare un modello sul dataset ImageNette per 100 epoch con una dimensione dell'immagine standard di 224x224, puoi utilizzare i seguenti frammenti di codice. Per un elenco completo degli argomenti disponibili, fai riferimento alla pagina 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)

Link to this sectionEsempi di immagini e annotazioni#

Il dataset ImageNette contiene immagini a colori di vari oggetti e scene, fornendo un dataset diversificato per attività di classificazione delle immagini. Ecco alcuni esempi di immagini dal dataset:

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.

Link to this sectionImageNette160 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 dell'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 dataset, sostituisci semplicemente imagenette con imagenette160 o imagenette320 nel comando di addestramento. I seguenti frammenti di codice illustrano come fare:

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 comunque attività di classificazione delle immagini realistiche. Puoi anche gestire i dataset di classificazione ed eseguire l'addestramento nel cloud con Ultralytics Platform.

Link to this sectionCitazioni e riconoscimenti#

Se utilizzi il dataset 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 dataset ImageNette.

Desideriamo ringraziare il team di fast.ai per aver creato e mantenuto ImageNette come risorsa preziosa per la comunità di ricerca in machine learning e computer vision.

Link to this sectionFAQ#

Link to this sectionCos'è il dataset ImageNette?#

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 l'addestramento e 3.925 per la validazione) ed è stato creato da fast.ai per offrire un dataset più gestibile per un addestramento e una valutazione efficienti dei modelli di classificazione delle immagini. Ciò lo rende particolarmente utile per un rapido sviluppo software e scopi educativi in machine learning e computer vision.

Link to this sectionQuante immagini e classi ha ImageNette?#

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.

Link to this sectionCome posso utilizzare il dataset ImageNette per addestrare un modello YOLO?#

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

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)

Per maggiori dettagli, consulta la pagina di documentazione Training.

Link to this sectionPerché dovrei usare ImageNette per le attività di classificazione delle immagini?#

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 sottoporre a benchmark modelli di classificazione delle immagini, in particolare le Convolutional Neural Networks (CNN).

Per ulteriori dettagli sull'addestramento dei modelli e sulla gestione dei dataset, esplora la sezione Dataset Structure.

Link to this sectionIl dataset ImageNette può essere utilizzato con dimensioni delle immagini diverse?#

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.

from 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 maggiori informazioni, fai riferimento a Training with ImageNette160 and ImageNette320.

Link to this sectionQuali sono alcune applicazioni pratiche del dataset ImageNette?#

Il dataset ImageNette è ampiamente utilizzato in:

• Ambienti 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 sottoporre a benchmark le prestazioni di vari modelli di deep learning, in particolare le Neural Networks (CNN) convoluzionali.

Esplora la sezione Applications per casi d'uso dettagliati.