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 di Imagenet più rapida e facile da usare per lo sviluppo di software e per la didattica.
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 varie dimensioni.
- ImageNette è ampiamente utilizzato per l'addestramento e il test nel campo dell'apprendimento automatico, in particolare per le attività di classificazione delle immagini.
Struttura del set di dati
Il set di dati ImageNette è suddiviso in due sottoinsiemi:
- Set di formazione: Questo sottoinsieme contiene diverse migliaia di immagini utilizzate per addestrare i modelli di apprendimento automatico. Il numero esatto varia a seconda della classe.
- Set di convalida: Questo sottoinsieme è composto 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 delle 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 epoch con un'immagine di dimensioni standard di 224x224, puoi utilizzare i seguenti frammenti di codice. Per un elenco completo degli argomenti disponibili, consulta la pagina di addestramento del modello.
Esempio di treno
Immagini di esempio e annotazioni
Il dataset 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:
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.
ImageNette160 e ImageNette320
Per velocizzare la prototipazione e la formazione, il dataset ImageNette è disponibile anche in due dimensioni ridotte: ImageNette160 e ImageNette320. Questi dataset mantengono le stesse classi e la stessa struttura del dataset ImageNette completo, ma le immagini sono ridimensionate in una dimensione più piccola. Per questo motivo, queste versioni del set di dati sono particolarmente utili per i test preliminari dei modelli o quando le risorse di calcolo sono limitate.
Per utilizzare questi set di dati, basta sostituire "imagenette" con "imagenette160" o "imagenette320" nel comando di formazione. I seguenti frammenti di codice lo illustrano:
Esempio di treno con ImageNette160
Esempio di treno con ImageNette320
Queste versioni più piccole del set di dati consentono rapide iterazioni durante il processo di sviluppo, fornendo comunque compiti di classificazione delle immagini validi e realistici.
Citazioni e ringraziamenti
Se utilizzi il dataset ImageNette nel tuo lavoro di ricerca o sviluppo, ti preghiamo di riconoscerlo in modo appropriato. Per maggiori informazioni sul dataset ImageNette, visita la pagina GitHub del dataset ImageNette.
DOMANDE FREQUENTI
Che cos'è il set di dati ImageNette?
Il set di dati ImageNette è un sottoinsieme semplificato del più ampio set di dati ImageNet, con solo 10 classi facilmente distinguibili come tinca, English springer e corno francese. È stato creato per offrire un set di dati più maneggevole per una formazione e una valutazione efficiente 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, puoi utilizzare i seguenti comandi. Assicurati di aver impostato l'ambiente Ultralytics YOLO .
Esempio di treno
from ultralytics import YOLO
# Load a model
model = YOLO("yolov8n-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 sulla formazione.
Perché dovrei usare 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 addestrare e confrontare vari modelli di apprendimento automatico, soprattutto nella classificazione delle immagini.
Per maggiori dettagli sull'addestramento del modello e sulla gestione del set di dati, consulta la sezione Struttura del set di dati.
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
Per maggiori informazioni, consulta la sezione Formazione con ImageNette160 e ImageNette320.
Quali sono le applicazioni pratiche del dataset ImageNette?
Il set di dati ImageNette è ampiamente utilizzato in:
- Impostazioni didattiche: Per educare i principianti all'apprendimento automatico e alla computer vision.
- Sviluppo software: Per la prototipazione rapida e lo sviluppo di modelli di classificazione delle immagini.
- Ricerca sull'apprendimento profondo: Valutare e confrontare le prestazioni di vari modelli di apprendimento profondo, in particolare le reti neurali convoluzionali (CNN).
Esplora la sezione Applicazioni per scoprire casi d'uso dettagliati.