ImageNet10 데이터셋#
Ultralytics ImageNet10 데이터셋(data="imagenet10")은 ImageNet의 첫 10개 클래스를 포함하는 24개 이미지의 초소형 서브셋으로, 지속적 통합 테스트, 정상 작동 확인, 학습 파이프라인의 빠른 검증을 위해 제작되었습니다. 전체 데이터셋과 동일한 WordNet synset 폴더 구조로 구성된 학습 이미지 12개와 검증 이미지 12개를 포함하므로, ImageNet에서 학습되는 모델을 ImageNet10에서도 변경 없이 학습할 수 있으며, 몇 시간이 아닌 몇 초 만에 완료됩니다. 정확도 벤치마킹이 아니라 파이프라인이 처음부터 끝까지 실행되는지 확인하기 위한 용도로 설계되었습니다.
주요 기능#
- ImageNet10에는 ImageNet의 첫 10개 클래스에서 가져온 이미지가 단 24개(학습용 12개, 검증용 12개) 포함되어 있습니다.
- 데이터셋은 WordNet 계층 구조에 따라 구성되며, 전체 ImageNet 데이터셋의 클래스별 synset 폴더를 그대로 반영합니다.
- 컴퓨터 비전 작업에서 지속적 통합 테스트, 정상 작동 확인, 학습 파이프라인의 신속한 디버깅을 위해 특별히 제작되었습니다.
- 모델 벤치마킹을 위한 데이터셋은 아니지만, 모델의 기본 기능과 정확성에 대한 빠른 지표를 제공합니다.
데이터셋 구조#
ImageNet10은 미리 정의된 분할을 제공하며, 전체 ImageNet 데이터셋의 첫 10개 클래스(n01440764 tench부터 n01518878 ostrich까지)를 사용합니다:
| 분할 | 이미지 | 클래스 |
|---|---|---|
| 학습 | 12 | 10 |
| 검증 | 12 | 10 |
10개 클래스 각각은 WordNet synset(동의어 용어 집합)이며, 이미지는 synset ID로 이름이 지정된 클래스별 폴더에 저장됩니다. 이는 Ultralytics 분류 학습에서 요구하는 정확한 레이아웃입니다. 따라서 모델이 예상되는 폴더 형식을 인식하는지 테스트할 때 ImageNet10은 전체 데이터셋을 작고 구조적으로 충실하게 대체할 수 있습니다.
Ultralytics Platform의 ImageNet10을 살펴보면 클래스별로 그룹화된 이미지를 탐색하고, Charts 탭에서 클래스 분포를 확인하며, 데이터셋을 복제하여 클라우드에서 자체 모델을 학습할 수 있습니다.
응용 분야#
ImageNet10 데이터셋은 컴퓨터 비전 모델과 파이프라인을 신속하게 테스트하고 디버깅하는 데 유용합니다. 크기가 작아 빠른 반복 작업이 가능하므로 지속적 통합 테스트와 정상 작동 확인에 적합합니다. 또한 완전한 ImageNet 데이터셋으로 전체 규모의 실행을 진행하기 전에 새로운 모델이나 코드 변경 사항을 빠르게 사전 테스트하는 데에도 유용합니다.
사용법#
224x224 이미지 크기에서 ImageNet10 데이터셋으로 분류 모델을 테스트하려면 아래 코드 스니펫을 사용합니다. 사용 가능한 인수의 전체 목록은 모델 Training 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 데이터셋에서 가져온 이미지의 서브셋으로, 첫 10개 클래스를 대표하면서도 빠른 테스트와 평가를 위한 다양하고 간결한 리소스를 제공하도록 선택되었습니다.
이 예제는 ImageNet10 데이터셋 이미지의 다양성과 복잡성을 보여 주며, 컴퓨터 비전 모델의 정상 작동 확인과 빠른 테스트에 유용한 특성을 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 이끄는 ImageNet 팀이 ImageNet 데이터셋을 제작하고 유지 관리한 데 대해 감사의 뜻을 표합니다. Ultralytics가 제작한 ImageNet10 서브셋은 머신 러닝 및 컴퓨터 비전 연구 커뮤니티에서 빠른 테스트와 디버깅을 위한 귀중한 리소스입니다. ImageNet 데이터셋과 제작자에 대한 자세한 내용은 ImageNet 웹사이트를 방문하세요.
FAQ#
ImageNet10 데이터셋은 Ultralytics가 빠른 CI 테스트, 정상 작동 확인, 학습 파이프라인 평가를 위해 제작한 ImageNet 데이터베이스의 간결한 서브셋입니다. ImageNet의 첫 10개 클래스에서 가져온 이미지 24개(학습용 12개, 검증용 12개)를 포함합니다. 크기는 작지만 전체 데이터셋의 WordNet 폴더 구조를 유지하므로, 빠른 파이프라인 테스트에는 적합하지만 모델 정확도 벤치마킹에는 적합하지 않습니다.
ImageNet10에는 총 24개의 이미지(학습용 12개, 검증용 12개)가 포함되어 있으며, ImageNet의 첫 10개 클래스에 걸쳐 분포합니다. 각 클래스는 자체 폴더에 저장된 WordNet synset이므로, 데이터셋은 전체 ImageNet 데이터셋의 레이아웃을 훨씬 작은 규모로 그대로 반영합니다.
224x224 이미지 크기에서 ImageNet10으로 분류 모델을 테스트하려면 다음 코드 스니펫을 사용합니다.
테스트 예제from 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 인자 전체 목록은 Training 페이지를 참조하세요.
ImageNet10은 딥러닝 파이프라인에서 CI 테스트, 정상 작동 확인, 빠른 평가를 위해 특별히 설계되었습니다. 24개 이미지로 구성된 작은 크기 덕분에 거의 즉시 반복 작업을 수행할 수 있으므로, 속도가 중요한 지속적 통합에 적합합니다. 전체 ImageNet 데이터셋의 폴더 구조를 유지하므로, 대규모 데이터셋을 처리하는 오버헤드 없이 모델의 기본 기능과 정확성을 안정적으로 확인할 수 있습니다.
ImageNet10과 ImageNette는 모두 ImageNet의 서브셋이지만 용도는 서로 다릅니다. ImageNet10은 첫 10개 클래스에서 가져온 이미지가 단 24개이므로 CI 테스트와 빠른 정상 작동 확인을 위한 초경량 데이터셋입니다. 반면 ImageNette는 쉽게 구분할 수 있는 10개 클래스에 걸쳐 13,000개가 넘는 이미지를 포함하므로 실제 모델 학습과 개발에 적합합니다. ImageNet10은 파이프라인 기능을 검증하는 반면, ImageNette는 전체 ImageNet 학습보다 빠르면서도 의미 있는 학습 실험에 더 적합합니다.