Dataset ImageWoof#

12,951

ImageWoof

ultralytics

publicClassify

ImageWoof is fast.ai's fine-grained ImageNet subset spanning ten visually similar dog breeds. It provides a compact but challenging classification benchmark for learning subtle differences in coat, head shape, body structure, pose, and background context.

10 classes884 MBSep 2, 2026

Shih-TzuRhodesian ridgebackBeagleEnglish foxhound+6

image-classificationimagewoofimagenet+2

Il dataset ImageWoof è un sottoinsieme di ImageNet composto da 10 razze canine difficili da distinguere deliberatamente, creato da fast.ai come sfida più impegnativa per gli algoritmi di classificazione delle immagini. Contiene 12.954 immagini a colori — 9.025 per il training e 3.929 per la validation — di razze come Beagle, Shih Tzu e Golden Retriever, mettendo alla prova la capacità dei modelli di distinguere sottili differenze tra categorie specifiche anziché categorie di oggetti evidenti.

Funzionalità principali#

• ImageWoof contiene 12.954 immagini suddivise tra 10 razze canine: Australian Terrier, Border Terrier, Samoiedo, Beagle, Shih Tzu, Foxhound inglese, Rhodesian Ridgeback, Dingo, Golden Retriever e Bobtail.
• Include una suddivisione predefinita di 9.025 immagini per il training e 3.929 per la validation, disponibili a varie risoluzioni (dimensione originale, 320px, 160px) per adattarsi a diversi budget di calcolo.
• Include anche una versione con etichette rumorose, che offre uno scenario più realistico in cui le etichette non sono sempre affidabili.

Struttura del dataset#

ImageWoof include una suddivisione predefinita tra training e validation, con ogni razza canina archiviata nella propria cartella:

Poiché tutte e 10 le classi sono razze canine, la suddivisione è pensata per testare la classificazione fine-grained — distinguendo categorie visivamente simili — anziché il riconoscimento generale degli oggetti del dataset ImageNet completo.

Applicazioni#

Il dataset ImageWoof è ampiamente utilizzato per addestrare e valutare modelli di deep learning su classi più complesse e simili tra loro. La sfida consiste nelle sottili differenze tra le razze canine, che mettono alla prova i limiti delle prestazioni e della capacità di generalizzazione dei modelli. È particolarmente utile per:

• Confrontare le prestazioni di classificazione su categorie specifiche
• Testare la robustezza dei modelli rispetto a classi dall'aspetto simile
• Sviluppare algoritmi in grado di distinguere sottili differenze visive
• Valutare il transfer learning da domini generali a domini specifici

Utilizzo#

Per addestrare un modello di classificazione sul dataset ImageWoof per 100 epoche con immagini di dimensioni 224x224, utilizza i frammenti di codice seguenti. 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="imagewoof", epochs=100, imgsz=224)

Varianti del dataset#

ImageWoof è disponibile in tre dimensioni per soddisfare esigenze di ricerca e budget di calcolo diversi:

1. Dimensione completa (imagewoof): la versione originale con immagini a dimensione intera, ideale per il training finale e il benchmarking delle prestazioni.
2. Dimensione media (imagewoof320): immagini ridimensionate a una lunghezza massima del lato di 320 pixel, adatte a un training più rapido senza compromettere in modo significativo le prestazioni del modello.
3. Dimensione ridotta (imagewoof160): immagini ridimensionate a una lunghezza massima del lato di 160 pixel, pensate per la prototipazione e la sperimentazione rapide, quando la velocità di training è una priorità.

Per utilizzare queste varianti, ti basta sostituire imagewoof nell'argomento del dataset con imagewoof320 oppure imagewoof160. Ad esempio:

from ultralytics import YOLO

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

# Per il dataset di dimensione media
model.train(data="imagewoof320", epochs=100, imgsz=224)

# Per il dataset di dimensione ridotta
model.train(data="imagewoof160", epochs=100, imgsz=224)

Tieni presente che le immagini più piccole probabilmente comporteranno una minore accuratezza di classificazione, ma sono un ottimo modo per iterare rapidamente nelle prime fasi dello sviluppo del modello. Puoi anche gestire i dataset di classificazione ed eseguire il training nel cloud con Ultralytics Platform.

Immagini di esempio e annotazioni#

Il dataset ImageWoof contiene immagini a colori di varie razze canine e offre una raccolta impegnativa per le attività di classificazione delle immagini. Ecco alcuni esempi di immagini del dataset:

L'esempio mostra le sottili differenze e somiglianze tra le diverse razze canine, evidenziando la complessità e la difficoltà dell'attività di classificazione.

Citazioni e ringraziamenti#

Se utilizzi il dataset ImageWoof per le tue attività di ricerca o sviluppo, cita i creatori del dataset includendo un link al repository ufficiale del dataset.

Desideriamo ringraziare il team di fast.ai per aver creato e mantenuto ImageWoof, una risorsa preziosa per la comunità di ricerca del machine learning e della computer vision. Per ulteriori informazioni su ImageWoof, visita il repository del dataset ImageWoof.

Domande frequenti#