Vai al contenuto

Set di dati ImageNette

Il set di dati ImageNette è un sottoinsieme del più ampio set di dati Imagenet, ma comprende solo 10 classi facilmente distinguibili. È stato creato per fornire una versione più rapida e facile da usare di Imagenet per lo sviluppo di software e la formazione.

Caratteristiche principali

  • ImageNette contiene immagini di 10 classi diverse come tinca, English springer, lettore di cassette, motosega, chiesa, corno francese, camion della spazzatura, pompa di benzina, palla da golf, paracadute.
  • Il set di dati comprende immagini colorate di dimensioni diverse.
  • ImageNette è ampiamente utilizzato per l'addestramento e il test nel campo dell'apprendimento automatico, in particolare per i compiti di classificazione delle immagini.

Struttura del set di dati

Il set di dati ImageNette è suddiviso in due sottoinsiemi:

  1. Set di allenamento: Questo sottoinsieme contiene diverse migliaia di immagini utilizzate per l'addestramento dei modelli di apprendimento automatico. Il numero esatto varia a seconda della classe.
  2. Set di validazione: Questo sottoinsieme è costituito da diverse centinaia di immagini utilizzate per la validazione e il benchmarking dei modelli addestrati. Anche in questo caso, il numero esatto varia a seconda della classe.

Applicazioni

Il dataset ImageNette è ampiamente utilizzato per l'addestramento e la valutazione di modelli di deep learning in compiti di classificazione di immagini, come le reti neurali convoluzionali (CNN) e vari altri algoritmi di apprendimento automatico. Il formato semplice del dataset e le classi ben selezionate lo rendono una risorsa utile sia per i principianti che per i professionisti esperti nel campo dell'apprendimento automatico e della visione artificiale.

Utilizzo

Per addestrare un modello sul dataset ImageNette per 100 epoche con un'immagine di dimensioni standard di 224x224, si possono usare i seguenti frammenti di codice. Per un elenco completo degli argomenti disponibili, consultare la pagina di addestramento del modello.

Esempio di treno

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n-cls.pt")  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data="imagenette", epochs=100, imgsz=224)
# Start training from a pretrained *.pt model
yolo classify train data=imagenette model=yolo11n-cls.pt epochs=100 imgsz=224

Immagini di esempio e annotazioni

Il set di dati ImageNette contiene immagini colorate di vari oggetti e scene, fornendo un set di dati diversificato per i compiti di classificazione delle immagini. Ecco alcuni esempi di immagini tratte dal dataset:

Immagine campione del set di dati

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

ImmagineNette160 e ImmagineNette320

Per una prototipazione e un addestramento più rapidi, il dataset 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 di dati ImageNette completo, ma le immagini sono ridimensionate in una dimensione più piccola. Per questo motivo, queste versioni del dataset sono particolarmente utili per i test preliminari dei modelli o quando le risorse di calcolo sono limitate.

Per utilizzare questi set di dati, è sufficiente sostituire "imagenette" con "imagenette160" o "imagenette320" nel comando di addestramento. I seguenti frammenti di codice lo illustrano:

Esempio di treno con ImageNette160

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n-cls.pt")  # load a pretrained model (recommended for training)

# Train the model with ImageNette160
results = model.train(data="imagenette160", epochs=100, imgsz=160)
# Start training from a pretrained *.pt model with ImageNette160
yolo classify train data=imagenette160 model=yolo11n-cls.pt epochs=100 imgsz=160

Esempio di treno con ImageNette320

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n-cls.pt")  # load a pretrained model (recommended for training)

# Train the model with ImageNette320
results = model.train(data="imagenette320", epochs=100, imgsz=320)
# Start training from a pretrained *.pt model with ImageNette320
yolo classify train data=imagenette320 model=yolo11n-cls.pt epochs=100 imgsz=320

Queste versioni più piccole del set di dati consentono rapide iterazioni durante il processo di sviluppo, pur fornendo compiti di classificazione delle immagini validi e realistici.

Citazioni e ringraziamenti

Se si utilizza il dataset ImageNette nel proprio lavoro di ricerca o sviluppo, si prega di riconoscerlo in modo appropriato. Per ulteriori informazioni sul dataset ImageNette, visitare la pagina GitHub del dataset ImageNette.

FAQ

Che cos'è il set di dati ImageNette?

Il dataset ImageNette è un sottoinsieme semplificato del più ampio dataset ImageNet, con solo 10 classi facilmente distinguibili come tinca, English springer e corno francese. È stato creato per offrire un set di dati più gestibile per un addestramento e una valutazione efficienti dei modelli di classificazione delle immagini. Questo set di dati è particolarmente utile per lo sviluppo rapido di software e per scopi didattici nell'ambito dell'apprendimento automatico e della visione artificiale.

Come posso utilizzare il dataset ImageNette per addestrare un modello YOLO ?

Per addestrare un modello YOLO sul dataset ImageNette per 100 epoch, si possono usare i seguenti comandi. Assicurarsi di aver impostato l'ambiente Ultralytics YOLO .

Esempio di treno

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n-cls.pt")  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data="imagenette", epochs=100, imgsz=224)
# Start training from a pretrained *.pt model
yolo classify train data=imagenette model=yolo11n-cls.pt epochs=100 imgsz=224

Per maggiori dettagli, consultare la pagina di documentazione sulla formazione.

Perché utilizzare ImageNette per la classificazione delle immagini?

Il set di dati ImageNette è vantaggioso per diversi motivi:

  • Semplice e veloce: Contiene solo 10 classi, il che lo rende meno complesso e meno dispendioso in termini di tempo rispetto a set di dati più grandi.
  • Uso didattico: è ideale per l'apprendimento e l'insegnamento delle basi della classificazione delle immagini, poiché richiede meno tempo e potenza di calcolo.
  • Versatilità: Ampiamente utilizzato per l'addestramento e il benchmark di vari modelli di apprendimento automatico, soprattutto nella classificazione delle immagini.

Per ulteriori dettagli sull'addestramento del modello e sulla gestione del dataset, esplorare la sezione Struttura del dataset.

Il dataset ImageNette può essere utilizzato con immagini di dimensioni diverse?

Sì, il set di dati ImageNette è disponibile anche in due versioni ridimensionate: ImageNette160 e ImageNette320. Queste versioni consentono una prototipazione più rapida e sono particolarmente utili quando le risorse di calcolo sono limitate.

Esempio di treno con ImageNette160

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n-cls.pt")

# Train the model with ImageNette160
results = model.train(data="imagenette160", epochs=100, imgsz=160)
# Start training from a pretrained *.pt model with ImageNette160
yolo detect train data=imagenette160 model=yolo11n-cls.pt epochs=100 imgsz=160

Per ulteriori informazioni, consultare la sezione Formazione con ImageNette160 e ImageNette320.

Quali sono le applicazioni pratiche del dataset ImageNette?

Il dataset ImageNette è ampiamente utilizzato in:

  • Impostazioni didattiche: Per educare i principianti all'apprendimento automatico e alla visione artificiale.
  • Sviluppo del software: Per la prototipazione rapida e lo sviluppo di modelli di classificazione delle immagini.
  • Ricerca sull'apprendimento profondo: Valutazione e benchmark delle prestazioni di vari modelli di deep learning, in particolare delle reti neurali convoluzionali (CNN).

Esplorate la sezione Applicazioni per conoscere i casi d'uso dettagliati.

📅C reato 1 anno fa ✏️ Aggiornato 2 mesi fa

Commenti