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 costituito da 10 classi di razze canine deliberatamente difficili da distinguere, creato da fast.ai come sfida più impegnativa per gli algoritmi di classificazione delle immagini. Contiene 12.954 immagini a colori — 9.025 per l'addestramento e 3.929 per la validazione — di razze come Beagle, Shih-Tzu e Golden retriever, spingendo i modelli a distinguere differenze sottili e dettagliate anziché categorie di oggetti evidenti.

Funzionalità 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 a diverse risoluzioni (dimensione completa, 320px, 160px) per adattarsi a budget computazionali differenti.
• 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 tra addestramento e 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 dettagliata — 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. La difficoltà risiede nelle differenze sottili tra le razze canine, spingendo i limiti delle prestazioni e della capacità di generalizzazione dei modelli. È particolarmente utile per:

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

Utilizzo#

Per addestrare un modello di classificazione sul dataset ImageWoof per 100 epoche con una dimensione delle immagini di 224x224, usa gli snippet di codice riportati di seguito. Per un elenco completo degli argomenti disponibili, consulta la pagina 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)

Varianti del dataset#

ImageWoof è disponibile in tre dimensioni per adattarsi a esigenze di ricerca e budget computazionali differenti:

1. Dimensione completa (imagewoof): la versione originale con immagini a dimensione completa, 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 e la sperimentazione rapide, dove la velocità di addestramento è una priorità.

Per usare 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)

Tieni presente che le immagini più piccole probabilmente produrranno una precisione 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 Ultralytics Platform.

Immagini ed esempi di annotazioni#

Il dataset ImageWoof contiene immagini colorate di varie razze canine, offrendo un dataset impegnativo per le attività di classificazione delle immagini. Ecco alcuni esempi di immagini del dataset:

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

Citazioni e ringraziamenti#

Se usi il dataset ImageWoof nelle tue attività di ricerca o sviluppo, cita i creatori del dataset inserendo un link al repository ufficiale del dataset.

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

FAQ#