ImageNette 데이터셋#
ImageNette 데이터셋은 fast.ai가 소프트웨어 개발 및 교육을 위해 더 빠르고 사용하기 쉬운 ImageNet 버전을 제공하고자 만든, 쉽게 구분할 수 있는 10개 클래스로 구성된 ImageNet의 하위 집합입니다. 이 데이터셋에는 13,394개의 컬러 이미지가 포함되어 있으며, 학습용 9,469개와 검증용 3,925개로 구성됩니다. 또한 텐치, 잉글리시 스프링어, 카세트 플레이어, 프렌치 호른 등의 클래스를 포함하므로, 이미지 분류 모델을 전체 1,000개 클래스 ImageNet에서 필요한 몇 시간보다 짧은 몇 분 안에 학습할 수 있습니다.
주요 기능#
- ImageNette에는 10개 클래스에 걸쳐 13,394개의 이미지가 포함되어 있습니다. 클래스는 텐치, 잉글리시 스프링어, 카세트 플레이어, 전기톱, 교회, 프렌치 호른, 쓰레기 트럭, 주유기, 골프공, 낙하산입니다.
- 사전에 정의된 분할에 따라 크기가 다양한 컬러 이미지 9,469개가 학습용으로, 3,925개가 검증용으로 제공됩니다.
- 서로 잘 구분되는 10개 클래스 덕분에 ImageNette는 빠르게 학습할 수 있고 이해하기도 쉬우므로, 이미지 분류 프로토타이핑과 교육에 널리 사용됩니다.
데이터셋 구조#
ImageNette는 사전에 정의된 학습/검증 분할과 함께 제공되며, 각 클래스는 고유한 폴더에 저장됩니다.
| 분할 | 이미지 | 클래스 |
|---|---|---|
| 학습 | 9,469 | 10 |
| 검증 | 3,925 | 10 |
클래스별 이미지 수는 정확히 동일하지 않으므로, 전체 ImageNet 데이터셋과 같은 규모를 사용하지 않고도 빠른 학습과 벤치마킹에 현실적인 분포를 제공합니다.
응용 분야#
ImageNette 데이터셋은 이미지 분류 작업에서 딥러닝 모델, 예를 들어 합성곱 신경망 (CNNs) 및 기타 머신 러닝 알고리즘을 학습하고 평가하는 데 널리 사용됩니다. 간단한 형식과 잘 선정된 클래스 덕분에 머신 러닝 및 컴퓨터 비전 분야의 초보자와 숙련된 실무자 모두에게 유용한 리소스입니다.
사용법#
표준 이미지 크기 224x224로 ImageNette 데이터셋을 100 에포크 동안 학습하려면 다음 코드 스니펫을 사용할 수 있습니다. 사용 가능한 인수의 전체 목록은 모델 학습 페이지를 참조하십시오.
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)샘플 이미지 및 주석#
ImageNette 데이터셋에는 다양한 객체와 장면을 담은 컬러 이미지가 포함되어 있어 이미지 분류 작업에 사용할 수 있는 다양한 데이터셋을 제공합니다. 다음은 데이터셋의 이미지 예시입니다.
이 예시는 ImageNette 데이터셋 이미지의 다양성과 복잡성을 보여 주며, 견고한 이미지 분류 모델을 학습하기 위해 다양한 데이터셋이 중요한 이유를 강조합니다.
ImageNette160 및 ImageNette320#
더 빠른 프로토타이핑과 학습을 위해 ImageNette는 두 가지 축소 버전인 ImageNette160과 ImageNette320으로도 제공됩니다. 이러한 데이터셋은 전체 ImageNette와 동일한 클래스와 구조를 유지하지만, 이미지가 더 작은 최대 변 길이로 리사이즈됩니다. 예비 모델 테스트나 컴퓨팅 리소스가 제한된 경우에 특히 유용합니다.
이러한 데이터셋을 사용하려면 학습 명령에서 imagenette을 imagenette160 또는 imagenette320로 바꾸면 됩니다. 다음 코드 스니펫에서 그 방법을 확인할 수 있습니다.
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)이러한 데이터셋의 축소 버전을 사용하면 현실적인 이미지 분류 작업을 유지하면서 개발 중 빠르게 반복 작업을 수행할 수 있습니다. 또한 Ultralytics Platform을 사용하여 분류 데이터셋을 관리하고 클라우드에서 학습을 실행할 수 있습니다.
인용 및 감사의 글#
연구 또는 개발 작업에서 ImageNette 데이터셋을 사용하는 경우 적절하게 출처를 밝혀 주십시오. ImageNette에 대한 자세한 내용은 ImageNette 데이터셋 GitHub 페이지를 참조하십시오.
fast.ai 팀이 머신 러닝 및 컴퓨터 비전 연구 커뮤니티를 위한 소중한 리소스로 ImageNette를 만들고 유지 관리해 주신 데 감사드립니다.
FAQ#
ImageNette 데이터셋은 텐치, 잉글리시 스프링어, 프렌치 호른 등 쉽게 구분할 수 있는 10개 클래스로 구성된 ImageNet의 단순화된 하위 집합입니다. 총 13,394개의 이미지(학습용 9,469개, 검증용 3,925개)가 포함되어 있으며, 이미지 분류 모델의 효율적인 학습과 평가를 위한 관리하기 쉬운 데이터셋을 제공하고자 fast.ai가 만들었습니다. 따라서 머신 러닝 및 컴퓨터 비전 분야에서 신속한 소프트웨어 개발과 교육 목적에 특히 유용합니다.
ImageNette에는 총 13,394개의 이미지가 있으며, 10개 클래스에 걸쳐 학습용 9,469개와 검증용 3,925개로 구성됩니다. 클래스는 텐치, 잉글리시 스프링어, 카세트 플레이어, 전기톱, 교회, 프렌치 호른, 쓰레기 트럭, 주유기, 골프공, 낙하산입니다. 각 클래스는 고유한 폴더에 저장되며, Ultralytics가 요구하는 표준 분류 레이아웃을 따릅니다.
ImageNette에서 YOLO 모델을 100 에포크 동안 학습하려면 다음 명령을 사용하십시오. Ultralytics YOLO 환경이 설정되어 있는지 확인하십시오.
학습 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="imagenette", epochs=100, imgsz=224)자세한 내용은 학습 문서 페이지를 참조하십시오.
예. ImageNette는 이미지가 더 작은 최대 변 길이로 리사이즈된 두 가지 버전인 ImageNette160과 ImageNette320으로도 제공됩니다. 이러한 버전은 더 빠른 프로토타이핑을 지원하며, 컴퓨팅 리소스가 제한된 경우에 특히 유용합니다.
ImageNette160 학습 예시from 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)자세한 내용은 ImageNette160 및 ImageNette320을 사용한 학습을 참조하십시오.