Dataset ImageWoof#
Il set di dati ImageWoof è un sottoinsieme di ImageNet composto da 10 classi di razze canine deliberatamente difficili da distinguere, creato da fast.ai come una sfida più dura per gli algoritmi di image classification. Contiene 12.954 immagini a colori — 9.025 per l'addestramento e 3.929 per la validazione — tra razze come Beagle, Shih-Tzu e Golden retriever, spingendo i modelli a distinguere sottili differenze granulari anziché categorie di oggetti ovvie.
Caratteristiche 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.
Struttura del dataset#
ImageWoof viene fornito con una suddivisione predefinita di addestramento/validazione, con ogni razza canina archiviata nella propria cartella:
| Split | Immagini | Classi |
|---|---|---|
| Addestramento | 9,025 | 10 |
| Validazione | 3,929 | 10 |
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.
Applicazioni#
Il set di dati ImageWoof è ampiamente utilizzato per l'addestramento e la valutazione di 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
Utilizzo#
Per addestrare un modello di classificazione sul set di dati ImageWoof per 100 epochs con una dimensione dell'immagine di 224x224, usa i frammenti di codice sottostanti. Per un elenco completo degli argomenti disponibili, fai riferimento alla pagina di 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="imagewoof", epochs=100, imgsz=224)Varianti del Dataset#
ImageWoof è disponibile in tre dimensioni per soddisfare diverse esigenze di ricerca e budget computazionali:
- Full Size (
imagewoof): La versione originale con immagini a grandezza naturale, ideale per l'addestramento finale e il benchmarking delle prestazioni. - Medium Size (
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. - Small Size (
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 usare queste varianti, sostituisci semplicemente imagewoof nell'argomento del set di dati 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 immagini più piccole produrranno probabilmente una minore accuracy di classificazione, ma sono un modo eccellente per iterare rapidamente nelle prime fasi dello sviluppo del modello. Puoi anche gestire i set di dati di classificazione ed eseguire l'addestramento nel cloud con Ultralytics Platform.
Esempi 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.
Citazioni e riconoscimenti#
Se usi il set di dati ImageWoof nella tua ricerca o nel tuo lavoro di sviluppo, ringrazia i creatori del set di dati collegandoti al official dataset repository.
Desideriamo ringraziare il team di fast.ai per aver creato e mantenuto ImageWoof come risorsa preziosa per la comunità di ricerca di machine learning e computer vision. Per ulteriori informazioni su ImageWoof, visita il ImageWoof dataset repository.
FAQ#
Il set di dati ImageWoof è un impegnativo sottoinsieme di ImageNet incentrato 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 i limiti dei modelli di classificazione delle immagini, presenta razze come Beagle, Shih-Tzu e Golden retriever. Il set di dati è disponibile a varie risoluzioni (dimensione intera, 320px, 160px) e include persino etichette rumorose per scenari di addestramento più realistici, rendendolo ideale per lo sviluppo di modelli di deep learning avanzati.
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.
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:
Esempio di Addestramentofrom ultralytics import YOLO model = YOLO("yolo26n-cls.pt") # Load a pretrained model results = model.train(data="imagewoof", epochs=100, imgsz=224)Per maggiori dettagli sugli argomenti di addestramento disponibili, fai riferimento alla pagina Training.
Il dataset ImageWoof è disponibile in tre dimensioni:
- Full Size (
imagewoof): Ideale per l'addestramento finale e il benchmarking, contiene immagini a grandezza naturale. - Medium Size (
imagewoof320): Immagini ridimensionate con una lunghezza massima del bordo di 320 pixel, adatte per un addestramento più rapido. - Small Size (
imagewoof160): Immagini ridimensionate con una lunghezza massima del bordo di 160 pixel, perfette per la prototipazione rapida.
Usa queste versioni sostituendo di conseguenza
imagewoofnell'argomento del set di dati. Nota che immagini più piccole possono produrre un'accuracy di classificazione inferiore ma sono utili per iterazioni più rapide.- Full Size (
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.
La sfida principale di ImageWoof risiede nelle sottili differenze tra le razze canine che include. Poiché si concentra su 10 razze strettamente correlate, distinguerle richiede modelli di classificazione delle immagini più avanzati e perfezionati. Ciò rende ImageWoof un eccellente benchmark per testare le capacità e i miglioramenti dei modelli di deep learning.