ImageWoof データセット#
ImageWoof データセットは、識別が意図的に困難な 10 種類の犬種で構成される ImageNet のサブセットであり、画像分類 アルゴリズムに対するより困難な課題として fast.ai によって作成されました。ビーグル、シーズー、ゴールデン・レトリバーなどの犬種にわたる 12,954 枚のカラー画像（トレーニング用 9,025 枚、検証用 3,929 枚）が含まれており、モデルに対し、明白なオブジェクトのカテゴリではなく、微細な差異を区別することを迫ります。
主な特徴#
- ImageWoof には、オーストラリアン・テリア、ボーダー・テリア、サモエド、ビーグル、シーズー、イングリッシュ・フォックスハウンド、ローデシアン・リッジバック、ディンゴ、ゴールデン・レトリバー、オールド・イングリッシュ・シープドッグという10種類の犬種にわたる12,954枚の画像が含まれています。
- 学習用9,025枚、検証用3,929枚の事前定義された分割が含まれており、計算リソースに応じてさまざまな解像度（フルサイズ、320px、160px）で利用可能です。
- ラベルが常に信頼できるとは限らない、より現実的なシナリオを想定したノイズラベル付きのバージョンも含まれています。
データセットの構造#
ImageWoof には事前定義された学習/検証分割が含まれており、各犬種は個別のフォルダに格納されています。
| 分割 | 画像 | クラス |
|---|---|---|
| トレーニング | 9,025 | 10 |
| バリデーション | 3,929 | 10 |
10個のクラスすべてが犬種であるため、この分割はフルサイズの ImageNet データセットのような広範な物体認識ではなく、視覚的に類似したカテゴリを区別する「細かい分類（ファイングレイン分類）」をテストするように設計されています。
アプリケーション#
ImageWoof データセットは、より複雑で類似したクラスでの ディープラーニング モデルのトレーニングおよび評価に広く使用されています。その課題は犬種間の微妙な差異にあり、モデルのパフォーマンスと汎化性能の限界を押し広げます。特に以下において価値があります:
- 細かい分類カテゴリにおける分類パフォーマンスのベンチマーク
- 類似したクラスに対するモデルの堅牢性のテスト
- 微妙な視覚的差異を区別できるアルゴリズムの開発
- 一般的なドメインから特定のドメインへの転移学習の評価
使用方法#
ImageWoof データセットで画像サイズ 224x224 を使用して 100 エポック の分類モデルをトレーニングするには、以下のコードスニペットを使用してください。利用可能な引数の詳細なリストについては、モデルの トレーニング 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="imagewoof", epochs=100, imgsz=224)データセットのバリエーション#
ImageWoof は、さまざまな研究ニーズや計算予算に対応するために3つのサイズで提供されています。
- フルサイズ (
imagewoof): フルサイズの画像を含むオリジナルのバージョンであり、最終的なトレーニングやパフォーマンスのベンチマークに最適です。 - 中サイズ (
imagewoof320): 最大エッジ長が 320 ピクセルにリサイズされた画像であり、モデルのパフォーマンスを大幅に犠牲にすることなく、より高速なトレーニングに適しています。 - 小サイズ (
imagewoof160): 最大エッジ長が 160 ピクセルにリサイズされた画像であり、トレーニング速度が優先される急速なプロトタイピングや実験向けに設計されています。
これらのバリアントを使用するには、dataset 引数内の imagewoof を imagewoof320 または imagewoof160 に置き換えるだけです。例:
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)画像が小さいほど分類の 精度 が低下する可能性が高いことに注意してください。ただし、モデル開発の初期段階で迅速にイテレーションを行うためには優れた方法です。また、Ultralytics Platform を使用して、分類データセットの管理やクラウドでのトレーニングの実行を行うこともできます。
サンプル画像とアノテーション#
ImageWoof データセットにはさまざまな犬種のカラフルな画像が含まれており、画像分類タスクにおける困難なデータセットとなっています。データセットの画像例をいくつか示します。
この例では、異なる犬種間の微妙な違いや類似点が示されており、分類タスクの複雑さと難しさを際立たせています。
引用と謝辞#
研究や開発作業で ImageWoof データセットを使用する場合は、公式データセットリポジトリへのリンクを記載して、データセットの作成者に謝辞を表してください。
machine learning および computer vision の研究コミュニティにとって貴重なリソースとして ImageWoof を作成・維持してくださった fast.ai チームに感謝いたします。ImageWoof の詳細については、ImageWoof dataset repository をご覧ください。
よくある質問 (FAQ)#
ImageWoof には合計12,954枚の画像（学習用9,025枚、検証用3,929枚）が含まれており、オーストラリアン・テリア、ボーダー・テリア、サモエド、ビーグル、シーズー、イングリッシュ・フォックスハウンド、ローデシアン・リッジバック、ディンゴ、ゴールデン・レトリバー、オールド・イングリッシュ・シープドッグの10種類の犬種をカバーしています。各犬種は、Ultralytics が期待する標準的な分類レイアウトに従い、独自のフォルダに格納されています。
Ultralytics YOLO を使用して ImageWoof データセットで100エポック、224x224の画像サイズで分類モデルを学習するには、以下のコードを使用してください。
学習例from ultralytics import YOLO model = YOLO("yolo26n-cls.pt") # Load a pretrained model results = model.train(data="imagewoof", epochs=100, imgsz=224)利用可能なトレーニング引数の詳細については、トレーニング ページを参照してください。
ImageWoof データセットには3つのサイズがあります。
- フルサイズ (
imagewoof): フルサイズの画像を含み、最終的なトレーニングやベンチマークに最適です。 - 中サイズ (
imagewoof320): 最大エッジ長が 320 ピクセルにリサイズされた画像であり、より高速なトレーニングに適しています。 - 小サイズ (
imagewoof160): 最大エッジ長が 160 ピクセルにリサイズされた画像であり、迅速なプロトタイピングに最適です。
dataset 引数内の
imagewoofを適宜置き換えて、これらのバージョンを使用してください。画像が小さいと分類の 精度 が低下する可能性がありますが、より迅速なイテレーションには便利であることに注意してください。- フルサイズ (
ImageWoof データセットのノイズラベルは、ラベルが常に正確とは限らない現実世界の条件をシミュレートします。このようなデータでモデルを学習させることは、画像分類タスクにおける堅牢性と汎化性能の向上に役立ちます。実践的なアプリケーションで頻繁に遭遇する曖昧なデータや誤ってラベル付けされたデータを効果的に処理するための準備をモデルにさせることができます。
ImageWoof の主な課題は、含まれる犬種間の微妙な差異にあります。密接に関連する 10 種類の犬種に焦点を当てているため、それらを区別するには、より高度で微調整された画像分類モデルが必要です。これにより、ImageWoof は ディープラーニング モデルの機能と改良をテストするための優れたベンチマークとなります。