ImageNet10 데이터셋#
Ultralytics ImageNet10 데이터셋(data="imagenet10")은 ImageNet의 처음 10개 클래스에 걸쳐 있는 24개의 아주 작은 이미지 서브셋으로, 지속적 통합 테스트, 무결성 검사, 그리고 학습 파이프라인의 빠른 검증을 위해 제작되었습니다. 전체 데이터셋과 동일한 WordNet synset 폴더 구조로 정리된 12개의 학습 이미지와 12개의 검증 이미지를 담고 있어, ImageNet에서 학습하는 모델이 ImageNet10에서도 변경 없이 몇 시간 대신 몇 초 만에 학습을 수행할 수 있습니다. 이는 정확도를 벤치마킹하기 위한 것이 아니라 파이프라인이 처음부터 끝까지 정상적으로 실행되는지 확인하도록 설계되었습니다.
주요 특징#
- ImageNet10은 ImageNet의 처음 10개 클래스에서 추출한 24개의 이미지(학습용 12개, 검증용 12개)로만 구성되어 있습니다.
- 이 데이터셋은 WordNet 계층 구조에 따라 구성되어 있으며, 전체 ImageNet 데이터셋의 클래스별 synset 폴더를 그대로 반영합니다.
- 컴퓨터 비전 작업에서 학습 파이프라인의 지속적 통합 테스트, 스모크 테스트(sanity check), 빠른 디버깅을 위해 특수 제작되었습니다.
- 모델 벤치마킹용으로 설계되지는 않았지만, 모델의 기본적인 기능과 정확성을 빠르게 확인할 수 있도록 해줍니다.
데이터셋 구조#
ImageNet10은 전체 ImageNet 데이터셋의 처음 10개 클래스(n01440764 텐치부터 n01518878 타조까지)를 사용하는 미리 정의된 분할과 함께 제공됩니다:
| Split | 이미지 | 클래스 |
|---|---|---|
| 학습(Train) | 12 | 10 |
| 검증 | 12 | 10 |
10개의 각 클래스는 WordNet synset(유의어 집합)이며, 이미지는 synset ID로 명명된 클래스별 폴더에 저장됩니다. 이는 Ultralytics 분류 학습이 기대하는 정확한 레이아웃입니다. 따라서 ImageNet10은 모델이 예상된 폴더 형식을 인식하는지 테스트할 때 전체 데이터셋을 대신할 수 있는 간결하고 구조적으로 신뢰할 수 있는 데이터셋입니다.
Ultralytics Platform에서 ImageNet10 탐색하기를 통해 클래스별로 그룹화된 이미지를 살펴보고, 차트 탭에서 클래스 분포를 확인하며, 클라우드에서 나만의 모델을 학습하기 위해 이를 복제할 수 있습니다.
응용 분야#
ImageNet10 데이터셋은 컴퓨터 비전 모델과 파이프라인을 빠르게 테스트하고 디버깅하는 데 유용합니다. 작은 크기 덕분에 빠른 반복이 가능하여 지속적 통합 테스트와 무결성 검사에 이상적입니다. 또한 전체 ImageNet 데이터셋으로 대규모 실행을 진행하기 전에 새로운 모델이나 코드 변경 사항을 신속하게 예비 테스트하는 데에도 유용합니다.
사용법#
224x224 이미지 크기로 ImageNet10 데이터셋에서 분류 모델을 테스트하려면 아래의 코드 스니펫을 사용하세요. 사용 가능한 인수에 대한 자세한 내용은 모델 학습 페이지를 참조하세요.
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="imagenet10", epochs=5, imgsz=224)샘플 이미지 및 주석#
ImageNet10 데이터셋은 원본 ImageNet 데이터셋 이미지의 하위 집합을 포함하고 있으며, 처음 10개 클래스를 대표하고 빠른 테스트와 평가를 위한 다양하고 간결한 리소스를 제공하도록 선택되었습니다.
이 예제는 ImageNet10 데이터셋에 포함된 이미지의 다양성과 복잡성을 보여주며, 컴퓨터 비전 모델의 상태 점검 및 빠른 테스트에 있어서의 유용성을 강조합니다.
인용 및 감사의 글#
연구 또는 개발 작업에 ImageNet10 데이터셋을 사용하는 경우, 원본 ImageNet 논문을 인용해 주십시오:
@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 데이터셋을 만들고 유지관리해 주신 Olga Russakovsky, Jia Deng, Li Fei-Fei가 이끄는 ImageNet 팀에 감사를 표합니다. Ultralytics가 제작한 ImageNet10 서브셋은 머신러닝 및 컴퓨터 비전 연구 커뮤니티에서 빠른 테스트와 디버깅을 위한 유용한 리소스입니다. ImageNet 데이터셋과 제작자에 대한 자세한 내용은 ImageNet 웹사이트를 방문하세요.
FAQ#
ImageNet10 데이터셋이란 무엇이며 전체 ImageNet 데이터셋과는 어떻게 다른가요?#
ImageNet10 데이터셋은 신속한 CI 테스트, 무결성 검사, 그리고 학습 파이프라인 평가를 위해 Ultralytics가 제작한 ImageNet 데이터베이스의 컴팩트한 서브셋입니다. ImageNet의 처음 10개 클래스에서 가져온 24개의 이미지(학습용 12개, 검증용 12개)를 포함하고 있습니다. 작은 크기에도 불구하고 전체 데이터셋의 WordNet 폴더 구조를 유지하므로, 모델 정확도를 벤치마킹하는 용도가 아니라 빠른 파이프라인 테스트용으로 이상적입니다.
ImageNet10에는 몇 개의 이미지와 클래스가 포함되어 있나요?#
ImageNet10은 총 24개의 이미지(학습용 12개, 검증용 12개)를 포함하고 있으며, ImageNet의 처음 10개 클래스에 걸쳐 있습니다. 각 클래스는 자체 폴더에 저장된 WordNet synset이므로, 전체 ImageNet 데이터셋의 레이아웃을 작은 크기로 반영하고 있습니다.
ImageNet10 데이터셋을 사용하여 딥러닝 모델을 테스트하려면 어떻게 해야 하나요?#
224x224 이미지 크기에서 ImageNet10으로 분류 모델을 테스트하려면 다음 코드 스니펫을 사용하십시오.
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="imagenet10", epochs=5, imgsz=224)사용 가능한 인수 목록에 대해서는 학습 페이지를 참조하세요.
CI 테스트와 상태 점검에 ImageNet10 데이터셋을 사용해야 하는 이유는 무엇인가요?#
ImageNet10은 딥러닝 파이프라인에서의 CI 테스트, 무결성 검사, 빠른 평가를 위해 특별히 설계되었습니다. 24개의 이미지 크기 덕분에 거의 즉각적인 반복이 가능하므로 속도가 매우 중요한 지속적 통합에 이상적입니다. 전체 ImageNet 데이터셋의 폴더 구조를 유지함으로써, 대규모 데이터셋 처리의 오버헤드 없이 모델의 기본 기능과 정확성을 신뢰성 있게 확인할 수 있습니다.
ImageNet10은 ImageNette와 같은 다른 소규모 데이터셋과 비교했을 때 어떤가요?#
ImageNet10과 ImageNette 둘 다 ImageNet의 서브셋이지만 서로 다른 목적을 수행합니다. ImageNet10은 처음 10개 클래스의 24개 페이지만 포함하여 CI 테스트와 빠른 무결성 검사에 매우 가볍습니다. 대조적으로, ImageNette는 구분이 쉬운 10개 클래스에 걸쳐 13,000개가 넘는 이미지를 포함하므로 실제 모델 학습 및 개발에 적합합니다. ImageNet10은 파이프라인 기능을 검증하는 반면, ImageNette는 전체 ImageNet보다 빠르면서도 의미 있는 학습 실험에 더 적합합니다.