ImageWoof 데이터셋#
ImageWoof 데이터셋은 ImageNet의 하위 집합으로, image classification 알고리즘에 더 어려운 도전 과제를 제시하기 위해 fast.ai에서 제작한 구별하기 까다로운 10가지 견종 클래스로 구성되어 있습니다. 비글, 시추, 골든 리트리버 등의 견종을 아우르는 총 12,954개의 컬러 이미지(훈련용 9,025개, 검증용 3,929개)를 포함하고 있어, 모델이 단순한 객체 카테고리가 아닌 미세하고 정교한 차이를 구별하도록 유도합니다.
주요 특징#
- ImageWoof는 Australian terrier, Border terrier, Samoyed, Beagle, Shih-Tzu, English foxhound, Rhodesian ridgeback, Dingo, Golden retriever, Old English sheepdog 등 10가지 견종의 이미지 12,954개를 포함합니다.
- 이 데이터셋은 9,025개의 학습 이미지와 3,929개의 검증 이미지로 사전 정의된 분할을 제공하며, 다양한 컴퓨팅 리소스에 맞춰 여러 해상도(전체 크기, 320px, 160px)로 사용할 수 있습니다.
- 또한 레이블이 항상 정확하지 않은 보다 현실적인 시나리오를 제공하기 위해 노이즈가 있는 레이블이 포함된 버전도 제공합니다.
데이터셋 구조#
ImageWoof는 각 견종이 별도의 폴더에 저장된 사전 정의된 학습/검증 분할 세트를 제공합니다:
| Split | 이미지 | 클래스 |
|---|---|---|
| 학습(Train) | 9,025 | 10 |
| 검증 | 3,929 | 10 |
10가지 클래스가 모두 견종이기 때문에, 이 분할 세트는 전체 ImageNet 데이터셋과 같은 광범위한 객체 인식보다는 시각적으로 유사한 범주를 구별하는 미세 분류(fine-grained classification)를 테스트하도록 설계되었습니다.
응용 분야#
ImageWoof 데이터셋은 더 복잡하고 유사한 클래스를 대상으로 deep learning 모델을 훈련하고 평가하는 데 널리 사용됩니다. 이 데이터셋의 과제는 견종 간의 미묘한 차이에 있으며, 모델 성능과 일반화의 한계를 시험합니다. 이는 특히 다음과 같은 경우에 유용합니다:
- 미세 분류 범주에 대한 분류 성능 벤치마킹
- 유사하게 보이는 클래스에 대한 모델 견고성 테스트
- 미묘한 시각적 차이를 구별할 수 있는 알고리즘 개발
- 일반 도메인에서 특정 도메인으로의 전이 학습 평가
사용법#
이미지 크기 224x224로 ImageWoof 데이터셋에서 100 epochs 동안 분류 모델을 훈련하려면 아래의 코드 스니펫을 사용하십시오. 사용 가능한 인수에 대한 자세한 내용은 모델 Training 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="imagewoof", epochs=100, imgsz=224)데이터셋 변형#
ImageWoof는 다양한 연구 요구 사항과 컴퓨팅 리소스에 대응하기 위해 세 가지 크기로 제공됩니다:
- Full Size (
imagewoof): 원본 크기의 이미지를 포함하는 오리지널 버전으로, 최종 훈련 및 성능 벤치마킹에 이상적입니다. - Medium Size (
imagewoof320): 최대 모서리 길이를 320픽셀로 조정한 이미지로, 모델 성능을 크게 저하시키지 않으면서 더 빠른 훈련을 진행하기에 적합합니다. - Small Size (
imagewoof160): 최대 모서리 길이를 160픽셀로 조정하여, 훈련 속도가 우선시되는 빠른 프로토타이핑 및 실험용으로 설계되었습니다.
이러한 변형 버전을 사용하려면 dataset 인수의 imagewoof을 imagewoof320 또는 imagewoof160로 간단히 교체하면 됩니다. 예시:
from ultralytics import YOLO
# Load a model
model = YOLO("yolo26n-cls.pt") # load a pretrained model (recommended for training)
# For medium-sized dataset
model.train(data="imagewoof320", epochs=100, imgsz=224)
# For small-sized dataset
model.train(data="imagewoof160", epochs=100, imgsz=224)이미지 크기가 작아지면 분류 accuracy가 낮아질 수 있지만, 모델 개발 초기 단계에서 빠르게 반복 작업을 수행하는 데는 훌륭한 방법입니다. 또한 Ultralytics Platform을 사용하여 클라우드에서 분류 데이터셋을 관리하고 훈련을 실행할 수 있습니다.
샘플 이미지 및 주석#
ImageWoof 데이터셋은 다양한 견종의 다채로운 이미지를 포함하고 있어 이미지 분류 작업에 도전적인 데이터셋을 제공합니다. 다음은 데이터셋 이미지의 몇 가지 예입니다:
이 예시는 다양한 견종 간의 미묘한 차이와 유사성을 보여주며, 분류 작업의 복잡성과 난이도를 강조합니다.
인용 및 감사의 글#
연구나 개발 작업에서 ImageWoof 데이터셋을 사용하는 경우 official dataset repository 링크를 통해 데이터셋 제작자에게 감사를 표해 주시기 바랍니다.
machine learning 및 computer vision 연구 커뮤니티를 위한 가치 있는 리소스인 ImageWoof를 만들고 유지 관리해 준 fast.ai 팀에 감사를 표합니다. ImageWoof에 대한 자세한 내용은 ImageWoof dataset repository를 방문하십시오.
FAQ#
ImageWoof는 총 12,954개의 이미지를 포함하며(학습용 9,025개, 검증용 3,929개), Australian terrier, Border terrier, Samoyed, Beagle, Shih-Tzu, English foxhound, Rhodesian ridgeback, Dingo, Golden retriever, Old English sheepdog 등 10가지 견종을 다룹니다. 각 품종은 Ultralytics가 기대하는 표준 분류 레이아웃에 따라 자체 폴더에 저장되어 있습니다.
Ultralytics YOLO를 사용하여 ImageWoof 데이터셋으로 224x224 이미지 크기에서 100 에포크 동안 분류 모델을 학습하려면 다음 코드를 사용하십시오:
훈련 예제from ultralytics import YOLO model = YOLO("yolo26n-cls.pt") # Load a pretrained model results = model.train(data="imagewoof", epochs=100, imgsz=224)사용 가능한 훈련 인수에 대한 자세한 내용은 Training 페이지를 참조하십시오.
ImageWoof 데이터셋은 세 가지 크기로 제공됩니다:
- Full Size (
imagewoof): 원본 크기의 이미지를 포함하며 최종 훈련 및 벤치마킹에 이상적입니다. - Medium Size (
imagewoof320): 최대 모서리 길이가 320픽셀인 크기 조정된 이미지로, 더 빠른 훈련에 적합합니다. - Small Size (
imagewoof160): 최대 모서리 길이가 160픽셀인 크기 조정된 이미지로, 빠른 프로토타이핑에 완벽합니다.
dataset 인수의
imagewoof을 적절히 교체하여 이러한 버전을 사용하십시오. 이미지 크기가 작아지면 분류 accuracy가 낮아질 수 있지만 더 빠른 반복 작업에 유용합니다.- Full Size (
ImageWoof 데이터셋의 노이즈 레이블은 레이블이 항상 정확하지 않은 실제 조건을 시뮬레이션합니다. 이 데이터로 모델을 학습하면 이미지 분류 작업에서 견고성과 일반화 능력을 키울 수 있습니다. 이는 실제 응용 프로그램에서 자주 발생하는 모호하거나 잘못 레이블링된 데이터를 효과적으로 처리하도록 모델을 준비시킵니다.
ImageWoof의 주요 과제는 포함된 견종 간의 미묘한 차이에 있습니다. 밀접하게 관련된 10가지 견종에 초점을 맞추기 때문에 이들을 구별하려면 더 발전되고 미세 조정된 이미지 분류 모델이 필요합니다. 덕분에 ImageWoof는 deep learning 모델의 기능과 개선 사항을 테스트하기 위한 훌륭한 벤치마크가 됩니다.