ImageNetteデータセット
ImageNetteデータセットは、大規模なImageNetデータセットのサブセットですが、容易に識別可能な10個のクラスのみを含んでいます。ソフトウェア開発や教育の目的で、ImageNetをより迅速かつ簡単に使用できるように作成されました。
主な特徴
- ImageNetteには、テンチ、イングリッシュ・スプリンガー、カセットプレーヤー、チェーンソー、教会、フレンチホルン、ごみ収集車、ガソリンポンプ、ゴルフボール、パラシュートなど、10種類のクラスの画像が含まれています。
- このデータセットは、さまざまな寸法のカラー画像で構成されています。
- ImageNetteは、機械学習分野、特に画像分類タスクのトレーニングやテストに広く使用されています。
データセットの構造
ImageNetteデータセットは、以下の2つのサブセットに分割されています。
- トレーニングセット: このサブセットには、機械学習モデルのトレーニングに使用される数千枚の画像が含まれています。正確な数はクラスごとに異なります。
- 検証セット: このサブセットには、トレーニング済みモデルの検証やベンチマークに使用される数百枚の画像が含まれています。これも、正確な数はクラスごとに異なります。
アプリケーション
The ImageNette dataset is widely used for training and evaluating deep learning models in image classification tasks, such as Convolutional Neural Networks (CNNs), and various other machine learning algorithms. The dataset's straightforward format and well-chosen classes make it a handy resource for both beginner and experienced practitioners in the field of machine learning and computer vision.
使用方法
ImageNetteデータセットでモデルを100エポック、標準画像サイズ224x224でトレーニングするには、以下のコードスニペットを使用できます。利用可能な引数の詳細なリストについては、モデルのTrainingページを参照してください。
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="imagenette", epochs=100, imgsz=224)サンプル画像とアノテーション
ImageNetteデータセットには、さまざまな物体やシーンのカラー画像が含まれており、image classificationタスクのための多様なデータセットを提供します。以下にデータセットの画像例を示します。
この例は、ImageNetteデータセットにおける画像の多様性と複雑さを示しており、堅牢な画像分類モデルをトレーニングするための多様なデータセットの重要性を強調しています。
ImageNette160およびImageNette320
より迅速なプロトタイピングとトレーニングのために、ImageNetteデータセットは2つの縮小サイズ（ImageNette160およびImageNette320）でも利用可能です。これらのデータセットは、完全なImageNetteデータセットと同じクラスと構造を維持していますが、画像はより小さな寸法にリサイズされています。そのため、これらのバージョンのデータセットは、予備的なモデルテストや計算リソースが限られている場合に特に役立ちます。
これらのデータセットを使用するには、トレーニングコマンドの「imagenette」を「imagenette160」または「imagenette320」に置き換えるだけです。以下のコードスニペットで説明します。
from ultralytics import YOLO
# Load a model
model = YOLO("yolo26n-cls.pt") # load a pretrained model (recommended for training)
# Train the model with ImageNette160
results = model.train(data="imagenette160", epochs=100, imgsz=160)from ultralytics import YOLO
# Load a model
model = YOLO("yolo26n-cls.pt") # load a pretrained model (recommended for training)
# Train the model with ImageNette320
results = model.train(data="imagenette320", epochs=100, imgsz=320)これらの小規模なデータセットバージョンを使用すると、開発プロセス中に迅速な反復が可能になると同時に、価値のある現実的な画像分類タスクを提供できます。
引用と謝辞
研究や開発作業でImageNetteデータセットを使用する場合は、適切にクレジットを記載してください。ImageNetteデータセットの詳細については、ImageNetteデータセットのGitHubページをご覧ください。
FAQ
ImageNetteデータセットとは何ですか？
ImageNetteデータセットは、大規模なImageNetデータセットの簡略化されたサブセットであり、テンチ、イングリッシュ・スプリンガー、フレンチホルンなど、容易に識別可能な10個のクラスのみを特徴としています。これは、画像分類モデルの効率的なトレーニングと評価のために、より管理しやすいデータセットを提供するために作成されました。このデータセットは、machine learningおよびコンピュータービジョンにおける迅速なソフトウェア開発や教育目的において特に有用です。
YOLOモデルのトレーニングにImageNetteデータセットを使用するにはどうすればよいですか？
YOLOモデルをImageNetteデータセットで100epochsトレーニングするには、以下のコマンドを使用できます。Ultralytics YOLO環境がセットアップされていることを確認してください。
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="imagenette", epochs=100, imgsz=224)詳細については、Trainingドキュメントページを参照してください。
なぜ画像分類タスクにImageNetteを使用するべきなのですか？
ImageNetteデータセットは、いくつかの理由で有益です。
- 迅速かつシンプル: 10個のクラスしか含まれていないため、大規模なデータセットと比較して複雑さが軽減され、時間もかかりません。
- 教育用: より少ない計算能力と時間で済むため、画像分類の基礎を学習・教育するのに最適です。
- 汎用性: さまざまな機械学習モデルのトレーニングやベンチマークに広く使用されており、特に画像分類に適しています。
モデルのトレーニングとデータセット管理の詳細については、Dataset Structureセクションを確認してください。
ImageNetteデータセットは異なる画像サイズで使用できますか？
はい、ImageNetteデータセットはリサイズされた2つのバージョン（ImageNette160およびImageNette320）でも利用可能です。これらのバージョンはプロトタイピングの迅速化に役立ち、特に計算リソースが限られている場合に有効です。
from ultralytics import YOLO
# Load a model
model = YOLO("yolo26n-cls.pt")
# Train the model with ImageNette160
results = model.train(data="imagenette160", epochs=100, imgsz=160)詳細については、Training with ImageNette160 and ImageNette320を参照してください。
ImageNetteデータセットの実際の応用例は何ですか？
ImageNetteデータセットは、以下のように広く使用されています。
- 教育環境: 機械学習やcomputer visionの初心者を教育するため。
- ソフトウェア開発: 画像分類モデルの迅速なプロトタイピングと開発のため。
- ディープラーニング研究: 畳み込みNeural Networks (CNN) を中心とした、さまざまなディープラーニングモデルのパフォーマンス評価とベンチマークのため。
詳細なユースケースについては、Applicationsセクションを参照してください。