ImageWoof 데이터셋#
ImageWoof 데이터셋은 구별하기 어렵도록 의도적으로 선정한 10개 견종 클래스가 포함된 ImageNet의 하위 집합으로, 이미지 분류 알고리즘에 더 어려운 과제를 제공하기 위해 fast.ai가 만들었습니다. 비글, 시추, 골든 리트리버 등의 견종 이미지가 컬러 이미지 12,954장(학습용 9,025장, 검증용 3,929장) 포함되어 있어, 모델은 뚜렷한 객체 범주가 아니라 세밀하고 미묘한 차이를 구별해야 합니다.
주요 기능#
- ImageWoof에는 오스트레일리안 테리어, 보더 테리어, 사모예드, 비글, 시추, 잉글리시 폭스하운드, 로디지안 리지백, 딩고, 골든 리트리버, 올드 잉글리시 쉽독 등 10개 견종의 이미지 12,954장이 포함되어 있습니다.
- 학습용 이미지 9,025장과 검증용 이미지 3,929장으로 구성된 사전 정의된 분할을 제공하며, 다양한 컴퓨팅 예산에 맞춰 여러 해상도(원본 크기, 320px, 160px)로 사용할 수 있습니다.
- 라벨이 항상 신뢰할 수 없는 보다 현실적인 상황을 제공하는 노이즈 라벨 버전도 포함되어 있습니다.
데이터셋 구조#
ImageWoof는 견종별로 별도의 폴더에 저장된 사전 정의된 학습/검증 분할을 제공합니다:
| 분할 | 이미지 | 클래스 |
|---|---|---|
| 학습 | 9,025 | 10 |
| 검증 | 3,929 | 10 |
10개 클래스가 모두 견종이므로, 이 분할은 전체 ImageNet 데이터셋의 광범위한 객체 인식이 아니라 시각적으로 유사한 범주를 구별하는 세밀한 분류를 테스트하도록 설계되었습니다.
응용 분야#
ImageWoof 데이터셋은 더 복잡하고 서로 유사한 클래스에서 딥러닝 모델을 학습하고 평가하는 데 널리 사용됩니다. 견종 간의 미묘한 차이가 어려운 과제이며, 모델 성능과 일반화의 한계를 시험합니다. 특히 다음과 같은 용도에 유용합니다:
- 세밀한 범주에서 분류 성능 벤치마킹
- 외관이 비슷한 클래스에 대한 모델 강건성 테스트
- 미묘한 시각적 차이를 구별할 수 있는 알고리즘 개발
- 일반 도메인에서 특정 도메인으로의 전이 학습 평가
사용법#
ImageWoof 데이터셋에서 이미지 크기 224x224로 에포크 100회 동안 분류 모델을 학습하려면 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="imagewoof", epochs=100, imgsz=224)데이터셋 변형#
ImageWoof는 다양한 연구 요구와 컴퓨팅 예산에 맞춰 세 가지 크기로 제공됩니다:
- 전체 크기 (
imagewoof): 이미지가 원본 크기인 버전으로, 최종 학습과 성능 벤치마킹에 적합합니다. - 중간 크기 (
imagewoof320): 이미지의 긴 변을 최대 320픽셀로 조정한 버전으로, 모델 성능을 크게 희생하지 않으면서 더 빠르게 학습할 수 있습니다. - 소형 (
imagewoof160): 이미지의 긴 변을 최대 160픽셀로 조정한 버전으로, 학습 속도가 중요한 신속한 프로토타이핑과 실험을 위해 설계되었습니다.
이 변형을 사용하려면 데이터셋 인수의 imagewoof을 imagewoof320 또는 imagewoof160로 바꾸기만 하면 됩니다. 예를 들면 다음과 같습니다:
from ultralytics import YOLO
# 모델 로드
model = YOLO("yolo26n-cls.pt") # 사전 학습된 모델을 불러옵니다(학습에 권장).
# 중간 크기 데이터셋의 경우
model.train(data="imagewoof320", epochs=100, imgsz=224)
# 소형 데이터셋의 경우
model.train(data="imagewoof160", epochs=100, imgsz=224)이미지가 작을수록 분류 정확도가 낮아질 수 있지만, 모델 개발 초기 단계에서 빠르게 반복 작업을 수행하는 데 매우 유용합니다. 또한 Ultralytics Platform을 사용해 분류 데이터셋을 관리하고 클라우드에서 학습을 실행할 수 있습니다.
샘플 이미지 및 어노테이션#
ImageWoof 데이터셋에는 다양한 견종의 다채로운 이미지가 포함되어 있어 이미지 분류 작업에 도전적인 데이터셋을 제공합니다. 다음은 데이터셋 이미지의 몇 가지 예입니다:
이 예제는 서로 다른 견종 사이의 미묘한 차이와 유사성을 보여주며, 분류 작업의 복잡성과 난도를 강조합니다.
인용 및 감사의 글#
연구 또는 개발 작업에서 ImageWoof 데이터셋을 사용하는 경우, 공식 데이터셋 저장소에 링크하여 데이터셋 제작자를 밝혀 주세요.
fast.ai 팀이 머신러닝 및 컴퓨터 비전 연구 커뮤니티에 유용한 리소스로서 ImageWoof를 만들고 유지 관리한 데 감사를 표합니다. ImageWoof에 대한 자세한 내용은 ImageWoof 데이터셋 저장소를 방문하세요. 머신러닝 및 컴퓨터 비전
자주 묻는 질문#
ImageWoof에는 총 12,954개의 이미지(학습용 9,025개, 검증용 3,929개)가 있으며, 10종의 개 품종을 포함합니다. 오스트레일리안 테리어, 보더 테리어, 사모예드, 비글, 시추, 잉글리시 폭스하운드, 로디지안 리지백, 딩고, 골든 리트리버, 올드 잉글리시 쉽독입니다. 각 품종은 Ultralytics가 기대하는 표준 분류 구조에 따라 개별 폴더에 저장됩니다.
Ultralytics YOLO로 ImageWoof 데이터셋에서 이미지 크기 224x224, 100 에폭으로 분류 모델을 학습하려면 다음 코드를 사용합니다:
학습 예제from ultralytics import YOLO model = YOLO("yolo26n-cls.pt") # 사전 학습된 모델 불러오기 results = model.train(data="imagewoof", epochs=100, imgsz=224)사용 가능한 학습 인수에 관한 자세한 내용은 학습 페이지를 참조하세요.
ImageWoof 데이터셋은 세 가지 크기로 제공됩니다:
- 전체 크기 (
imagewoof): 전체 크기 이미지가 포함되어 있으며, 최종 학습 및 벤치마킹에 적합합니다. - 중간 크기 (
imagewoof320): 최대 변 길이가 320픽셀인 이미지로, 더 빠른 학습에 적합합니다. - 소형 (
imagewoof160): 최대 변 길이가 160픽셀인 이미지로, 신속한 프로토타이핑에 적합합니다.
데이터셋 인수에서
imagewoof를 해당 버전으로 바꾸어 사용하세요. 작은 이미지는 분류 정확도가 낮을 수 있지만, 더 빠르게 반복 작업을 진행하는 데 유용합니다.- 전체 크기 (
ImageWoof 데이터셋의 노이즈가 포함된 레이블은 레이블이 항상 정확하지 않은 실제 환경을 시뮬레이션합니다. 이 데이터를 사용해 모델을 학습하면 이미지 분류 작업에서 견고성과 일반화 성능을 높이는 데 도움이 됩니다. 또한 실제 애플리케이션에서 자주 접하는 모호하거나 잘못 레이블링된 데이터를 효과적으로 처리하도록 모델을 준비할 수 있습니다.
ImageWoof의 주요 과제는 포함된 개 품종 간의 미묘한 차이에 있습니다. 서로 밀접하게 연관된 10종의 품종에 초점을 맞추기 때문에 품종을 구별하려면 더 고도화되고 정밀하게 조정된 이미지 분류 모델이 필요합니다. 따라서 ImageWoof는 딥러닝 모델의 성능과 개선 사항을 시험하기에 탁월한 벤치마크입니다.