ImageNet10データセット#

20

imagenet10

ultralytics

publicClassify

ImageNet10 is Ultralytics' minimal classification smoke-test set containing one train and one validation image for each of ten ImageNet synsets. It intentionally retains WordNet IDs rather than friendly labels, providing a tiny check of folder-based loading, training, validation, and export paths.

210 classes110.3 KBSep 2, 2026

n01440764n01443537n01484850n01491361+6

UltralyticsのImageNet10データセット（data="imagenet10"）は、ImageNetの最初の10クラスから抽出した、わずか24枚の画像を含むサブセットです。継続的インテグレーションテスト、健全性チェック、トレーニングパイプラインの迅速な検証用に構成されています。完全なデータセットと同じWordNet synsetのフォルダ構造で、トレーニング画像12枚と検証画像12枚が含まれています。そのため、ImageNetでトレーニングできるモデルなら、変更なしでImageNet10でも数秒でトレーニングできます。ImageNet10はパイプラインがエンドツーエンドで動作することの検証を目的としており、精度のベンチマーク用ではありません。

主な機能#

• ImageNet10には、ImageNetの最初の10クラスから抽出された画像がわずか24枚（トレーニング用12枚、検証用12枚）含まれています。
• データセットはWordNet階層に従って整理されており、完全なImageNetデータセットのクラス別synsetフォルダ構成を再現しています。
• 継続的インテグレーションテスト、健全性チェック、コンピュータービジョンタスクのトレーニングパイプラインを迅速にデバッグするために特化して構成されています。
• モデルのベンチマーク用には設計されていませんが、モデルの基本的な機能と正確性をすばやく確認できます。

データセットの構成#

ImageNet10には、完全なImageNetデータセットの最初の10クラス（n01440764 テンチからn01518878 ダチョウまで）を使用した事前定義済み分割が含まれています。

10クラスはそれぞれWordNet synset（同義語の集合）であり、画像はsynset IDで命名されたクラス別フォルダに格納されています。これはUltralyticsの分類トレーニングで想定されている形式です。そのためImageNet10は、モデルが想定されるフォルダ形式を認識するかテストする際に、完全なデータセットをコンパクトかつ構造的に忠実に再現した代替データセットとして使えます。

Ultralytics PlatformのImageNet10で、クラス別にグループ化された画像を閲覧し、Chartsタブでクラス分布を確認して、クラウドで独自モデルをトレーニングするためにクローンできます。

用途#

ImageNet10データセットは、コンピュータービジョンモデルやパイプラインの迅速なテストとデバッグに役立ちます。小規模なためすばやく反復でき、継続的インテグレーションテストや健全性チェックに最適です。また、完全なImageNetデータセットで本格的な実行に進む前に、新しいモデルやコード変更を手早く予備テストする場合にも便利です。

使用方法#

ImageNet10データセットで画像サイズを224x224にして分類モデルをテストするには、以下のコードスニペットを使用します。使用可能な引数の包括的な一覧については、モデルのトレーニングページをご覧ください。

from ultralytics import YOLO

# モデルを読み込む
model = YOLO("yolo26n-cls.pt")  # 事前トレーニング済みモデルを読み込みます（トレーニングにはこちらを推奨します）

# モデルをトレーニングする
results = model.train(data="imagenet10", epochs=5, imgsz=224)

サンプル画像とアノテーション#

ImageNet10データセットには、元のImageNetデータセットから選ばれた画像のサブセットが含まれています。最初の10クラスを代表する画像が選ばれており、迅速なテストと評価に適した多様でコンパクトなリソースを提供します。

この例では、ImageNet10データセットの画像の多様性と複雑さを示し、コンピュータービジョンモデルの健全性チェックや迅速なテストに役立つことを紹介しています。

引用と謝辞#

研究または開発でImageNet10データセットを使用する場合は、元のImageNet論文を引用してください。

@article{ILSVRC15,
         author = {Olga Russakovsky and Jia Deng and Hao Su and Jonathan Krause and Sanjeev Satheesh and Sean Ma and Zhiheng Huang and Andrej Karpathy and Aditya Khosla and Michael Bernstein and Alexander C. Berg and Li Fei-Fei},
         title={ImageNet Large Scale Visual Recognition Challenge},
         year={2015},
         journal={International Journal of Computer Vision (IJCV)},
         volume={115},
         number={3},
         pages={211-252}
}

ImageNetデータセットを作成・維持している、Olga Russakovsky、Jia Deng、Li Fei-Feiが率いるImageNetチームに謝意を表します。Ultralyticsが作成したImageNet10サブセットは、機械学習およびコンピュータービジョン研究コミュニティでの迅速なテストとデバッグに役立つリソースです。ImageNetデータセットとその作成者について詳しくは、ImageNetのウェブサイトをご覧ください。

よくある質問#