ImageNet10 데이터셋#
Ultralytics ImageNet10 데이터셋(data="imagenet10")은 ImageNet의 첫 10개 클래스에서 추출한 이미지 24개의 소규모 하위 집합으로, 지속적 통합 테스트, 기본 점검, 학습 파이프라인의 빠른 검증을 위해 만들어졌습니다. 전체 데이터셋과 동일한 WordNet 시셋 폴더 구조로 정리된 학습 이미지 12개와 검증 이미지 12개가 포함되어 있으므로, ImageNet에서 학습되는 모델을 변경 없이 ImageNet10에서도 학습할 수 있으며 몇 시간이 아닌 몇 초면 됩니다. 이 데이터셋은 파이프라인이 처음부터 끝까지 실행되는지 확인하기 위한 것이며 정확도 벤치마킹용은 아닙니다.
주요 기능#
- ImageNet10에는 ImageNet의 첫 10개 클래스에서 추출한 이미지가 단 24개 있으며, 학습 이미지 12개와 검증 이미지 12개로 구성됩니다.
- 데이터셋은 WordNet 계층 구조에 따라 구성되며, 전체 ImageNet 데이터셋의 클래스별 시셋 폴더 구조를 따릅니다.
- 컴퓨터 비전 작업에서 학습 파이프라인의 지속적 통합 테스트, 기본 점검, 신속한 디버깅을 위해 특별히 설계되었습니다.
- 모델 벤치마킹용으로 설계되지는 않았지만, 모델의 기본 기능과 정확성을 빠르게 확인할 수 있습니다.
데이터셋 구조#
ImageNet10에는 전체 ImageNet 데이터셋의 첫 10개 클래스를 사용한 사전 정의 분할이 제공됩니다(n01440764 황어부터 n01518878 타조까지):
| 분할 | 이미지 | 클래스 |
|---|---|---|
| 학습 | 12 | 10 |
| 검증 | 12 | 10 |
10개 클래스는 각각 WordNet 시셋(동의어 집합)이며, 이미지는 시셋 ID를 이름으로 사용하는 클래스별 폴더에 저장됩니다. 이는 Ultralytics 분류 학습에서 요구하는 정확한 디렉터리 구조입니다. 따라서 모델이 예상되는 폴더 형식을 인식하는지 테스트할 때 ImageNet10은 전체 데이터셋을 작고 구조적으로 충실하게 대체합니다.
Ultralytics Platform의 ImageNet10을 살펴보며 클래스별로 그룹화된 이미지를 확인하고, Charts 탭에서 클래스 분포를 확인한 다음, 데이터셋을 복제해 클라우드에서 자체 모델을 학습하세요.
응용 분야#
ImageNet10 데이터셋은 컴퓨터 비전 모델과 파이프라인을 빠르게 테스트하고 디버깅하는 데 유용합니다. 크기가 작아 빠르게 반복할 수 있으므로 지속적 통합 테스트와 기본 점검에 적합합니다. 전체 ImageNet 데이터셋을 사용한 대규모 실행으로 넘어가기 전에 새 모델이나 코드 변경 사항을 빠르게 예비 테스트할 때도 유용합니다.
사용법#
이미지 크기를 224x224로 설정하고 ImageNet10 데이터셋에서 분류 모델을 테스트하려면 아래 코드 조각을 사용하세요. 사용 가능한 인수 전체 목록은 모델 학습 페이지를 참조하세요.
from ultralytics import YOLO
# 모델 로드
model = YOLO("yolo26n-cls.pt") # 사전 학습된 모델을 불러옵니다(학습에 권장).
# 모델 학습
results = model.train(data="imagenet10", epochs=5, imgsz=224)샘플 이미지 및 어노테이션#
ImageNet10 데이터셋은 원본 ImageNet 데이터셋에서 처음 10개 클래스를 대표하도록 선정된 이미지 하위 집합을 포함하며, 빠른 테스트와 평가를 위한 다양하면서도 간결한 리소스를 제공합니다.
이 예제는 ImageNet10 데이터셋 이미지의 다양성과 복잡성을 보여주며, 컴퓨터 비전 모델의 기본 점검과 빠른 테스트에 이 데이터셋이 유용하다는 점을 강조합니다.
인용 및 감사의 글#
연구 또는 개발 작업에서 ImageNet10 데이터셋을 사용하는 경우, 원본 ImageNet 논문을 인용해 주세요:
@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}
}Olga Russakovsky, Jia Deng, Li Fei-Fei가 이끈 ImageNet 팀이 ImageNet 데이터셋을 만들고 유지 관리한 데 감사를 표합니다. Ultralytics가 만든 ImageNet10 하위 집합은 머신러닝 및 컴퓨터 비전 연구 커뮤니티에서 빠른 테스트와 디버깅에 유용한 리소스입니다. ImageNet 데이터셋과 제작자에 대한 자세한 내용은 ImageNet 웹사이트를 방문하세요.
자주 묻는 질문#
ImageNet10 데이터셋은 Ultralytics가 신속한 CI 테스트, 기본 점검, 학습 파이프라인 평가를 위해 만든 ImageNet 데이터베이스의 간결한 하위 집합입니다. ImageNet의 처음 10개 클래스에서 가져온 이미지 24장(학습용 12장, 검증용 12장)을 포함합니다. 크기는 작지만 전체 데이터셋의 WordNet 폴더 구조를 유지하므로, 빠른 파이프라인 테스트에는 적합하지만 모델 정확도 벤치마킹에는 적합하지 않습니다.
ImageNet10에는 총 24개의 이미지가 있으며, ImageNet의 처음 10개 클래스에 학습용 12장과 검증용 12장이 나뉘어 있습니다. 각 클래스는 자체 폴더에 저장된 WordNet 동의어 집합이므로, 전체 ImageNet 데이터셋의 구조를 훨씬 작은 규모로 재현합니다.
이미지 크기를 224x224로 설정해 ImageNet10에서 분류 모델을 테스트하려면 다음 코드 조각을 사용하세요.
테스트 예제from ultralytics import YOLO # 모델 로드 model = YOLO("yolo26n-cls.pt") # 사전 학습된 모델을 불러옵니다(학습에 권장). # 모델 학습 results = model.train(data="imagenet10", epochs=5, imgsz=224)사용 가능한 인수의 전체 목록은 학습 페이지를 참조하세요.
ImageNet10은 딥러닝 파이프라인에서 CI 테스트, 기본 점검, 빠른 평가를 수행하도록 특별히 설계되었습니다. 이미지가 24장뿐이어서 거의 즉시 반복 작업을 수행할 수 있으므로, 속도가 중요한 지속적 통합에 적합합니다. 전체 ImageNet 데이터셋의 폴더 구조를 유지해 대규모 데이터셋 처리에 따른 부담 없이 모델의 기본 기능과 정확성을 안정적으로 점검할 수 있습니다.
ImageNet10과 ImageNette는 모두 ImageNet의 하위 집합이지만, 목적은 서로 다릅니다. ImageNet10에는 처음 10개 클래스에서 가져온 이미지가 단 24장만 포함되어 있어 CI 테스트와 빠른 기본 점검에 매우 가볍습니다. 반면 ImageNette에는 쉽게 구별할 수 있는 10개 클래스에 걸쳐 13,000장이 넘는 이미지가 포함되어 있어 실제 모델 학습과 개발에 적합합니다. ImageNet10은 파이프라인 기능을 검증하는 반면, ImageNette는 전체 ImageNet을 사용하는 학습 실험보다 빠르면서도 의미 있는 실험에 더 적합합니다.