Link to this sectionDataset ImageWoof#

Il dataset ImageWoof è un sottoinsieme di ImageNet costituito da 10 classi di razze canine che sono deliberatamente difficili da distinguere, creato da fast.ai come sfida più ardua per gli algoritmi di classificazione delle immagini. Contiene 12.954 immagini a colori — 9.025 per l'addestramento e 3.929 per la validazione — che includono razze come Beagle, Shih-Tzu e Golden retriever, spingendo i modelli a distinguere sottili differenze granulari piuttosto che ovvie categorie di oggetti.

Link to this sectionCaratteristiche principali#

• ImageWoof contiene 12.954 immagini di 10 razze canine: Australian terrier, Border terrier, Samoyed, Beagle, Shih-Tzu, English foxhound, Rhodesian ridgeback, Dingo, Golden retriever e Old English sheepdog.
• Viene fornito con una suddivisione predefinita di 9.025 immagini di addestramento e 3.929 di validazione, disponibili in varie risoluzioni (dimensione intera, 320px, 160px) per adattarsi a diversi budget computazionali.
• Include anche una versione con etichette rumorose, che offre uno scenario più realistico in cui le etichette non sono sempre affidabili.

Link to this sectionStruttura del dataset#

ImageWoof viene fornito con una suddivisione predefinita di addestramento/validazione, con ogni razza canina archiviata nella propria cartella:

Poiché tutte e 10 le classi sono razze canine, la suddivisione è progettata per testare la classificazione granulare — distinguere categorie visivamente simili — piuttosto che l'ampio riconoscimento di oggetti del dataset ImageNet completo.

Link to this sectionApplicazioni#

Il dataset ImageWoof è ampiamente utilizzato per addestrare e valutare modelli di deep learning su classi più complesse e simili. La sua sfida risiede nelle sottili differenze tra le razze canine, spingendo al limite le prestazioni e la generalizzazione del modello. È particolarmente utile per:

• Effettuare il benchmarking delle prestazioni di classificazione su categorie granulari
• Testare la robustezza del modello contro classi dall'aspetto simile
• Sviluppare algoritmi in grado di distinguere sottili differenze visive
• Valutare il transfer learning da domini generali a specifici

Link to this sectionUtilizzo#

Per addestrare un modello di classificazione sul dataset ImageWoof per 100 epoche con una dimensione dell'immagine di 224x224, utilizza gli snippet di codice sottostanti. Per un elenco completo degli argomenti disponibili, fai riferimento alla pagina di Addestramento 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="imagewoof", epochs=100, imgsz=224)

Link to this sectionVarianti del Dataset#

ImageWoof è disponibile in tre dimensioni per soddisfare diverse esigenze di ricerca e budget computazionali:

1. Dimensione Intera (imagewoof): La versione originale con immagini a dimensione intera, ideale per l'addestramento finale e il benchmarking delle prestazioni.
2. Dimensione Media (imagewoof320): Immagini ridimensionate a una lunghezza massima del bordo di 320 pixel, adatte per un addestramento più rapido senza sacrificare significativamente le prestazioni del modello.
3. Dimensione Ridotta (imagewoof160): Immagini ridimensionate a una lunghezza massima del bordo di 160 pixel, progettate per la prototipazione rapida e la sperimentazione in cui la velocità di addestramento è una priorità.

Per utilizzare queste varianti, sostituisci semplicemente imagewoof nell'argomento del dataset con imagewoof320 o imagewoof160. Ad esempio:

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n-cls.pt")  # load a pretrained model (recommended for training)

# For medium-sized dataset
model.train(data="imagewoof320", epochs=100, imgsz=224)

# For small-sized dataset
model.train(data="imagewoof160", epochs=100, imgsz=224)

Nota che le immagini più piccole probabilmente produrranno una accuratezza di classificazione inferiore, ma sono un ottimo modo per iterare rapidamente nelle prime fasi dello sviluppo del modello. Puoi anche gestire i dataset di classificazione ed eseguire l'addestramento nel cloud con la Piattaforma Ultralytics.

Link to this sectionEsempi di immagini e annotazioni#

Il dataset ImageWoof contiene immagini colorate di varie razze canine, fornendo un dataset stimolante per le attività di classificazione delle immagini. Ecco alcuni esempi di immagini dal dataset:

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

Link to this sectionCitazioni e riconoscimenti#

Se utilizzi il dataset ImageWoof nel tuo lavoro di ricerca o sviluppo, ti preghiamo di riconoscere i creatori del dataset collegandoti al repository ufficiale del dataset.

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

Link to this sectionFAQ#

Link to this sectionCos'è il dataset ImageWoof in Ultralytics?#

Il dataset ImageWoof è un impegnativo sottoinsieme di ImageNet focalizzato su 10 razze canine, contenente 12.954 immagini (9.025 per l'addestramento e 3.929 per la validazione). Creato da fast.ai per spingere al limite i modelli di classificazione delle immagini, presenta razze come Beagle, Shih-Tzu e Golden retriever. Il dataset è disponibile a varie risoluzioni (dimensione intera, 320px, 160px) e include persino etichette rumorose per scenari di addestramento più realistici, rendendolo ideale per sviluppare modelli avanzati di deep learning.

Link to this sectionQuante immagini e razze canine ha ImageWoof?#

ImageWoof contiene un totale di 12.954 immagini — 9.025 per l'addestramento e 3.929 per la validazione — distribuite su 10 razze canine: Australian terrier, Border terrier, Samoyed, Beagle, Shih-Tzu, English foxhound, Rhodesian ridgeback, Dingo, Golden retriever e Old English sheepdog. Ogni razza è archiviata nella propria cartella, seguendo il layout di classificazione standard previsto da Ultralytics.

Link to this sectionCome posso addestrare un modello utilizzando il dataset ImageWoof con Ultralytics YOLO?#

Per addestrare un modello di classificazione sul dataset ImageWoof utilizzando Ultralytics YOLO per 100 epoche con una dimensione dell'immagine di 224x224, usa il seguente codice:

from ultralytics import YOLO

model = YOLO("yolo26n-cls.pt")  # Load a pretrained model
results = model.train(data="imagewoof", epochs=100, imgsz=224)

Per ulteriori dettagli sugli argomenti di addestramento disponibili, consulta la pagina Addestramento.

Link to this sectionQuali versioni del dataset ImageWoof sono disponibili?#

Il dataset ImageWoof è disponibile in tre dimensioni:

1. Dimensione Intera (imagewoof): Ideale per l'addestramento finale e il benchmarking, contiene immagini a dimensione intera.
2. Dimensione Media (imagewoof320): Immagini ridimensionate con una lunghezza massima del bordo di 320 pixel, adatte per un addestramento più rapido.
3. Dimensione Ridotta (imagewoof160): Immagini ridimensionate con una lunghezza massima del bordo di 160 pixel, perfette per la prototipazione rapida.

Utilizza queste versioni sostituendo imagewoof nell'argomento del dataset di conseguenza. Nota che le immagini più piccole potrebbero produrre una accuratezza di classificazione inferiore, ma sono utili per iterazioni più rapide.

Link to this sectionIn che modo le etichette rumorose nel dataset ImageWoof favoriscono l'addestramento?#

Le etichette rumorose nel dataset ImageWoof simulano condizioni del mondo reale in cui le etichette non sono sempre accurate. Addestrare modelli con questi dati aiuta a sviluppare robustezza e generalizzazione nelle attività di classificazione delle immagini. Prepara i modelli a gestire efficacemente dati ambigui o etichettati in modo errato, che si incontrano spesso nelle applicazioni pratiche.

Link to this sectionQuali sono le principali sfide dell'utilizzo del dataset ImageWoof?#

La sfida principale di ImageWoof risiede nelle sottili differenze tra le razze canine incluse. Poiché si concentra su 10 razze strettamente correlate, distinguerle richiede modelli di classificazione delle immagini più avanzati e perfezionati. Questo rende ImageWoof un eccellente benchmark per testare le capacità e i miglioramenti dei modelli di deep learning.