ImageWoof 데이터셋#
ImageWoof 데이터셋은 서로 구분하기 어려운 10개 견종 클래스로 구성된 ImageNet의 하위 집합으로, fast.ai가 이미지 분류 알고리즘을 위한 더 어려운 과제로 제작했습니다. 비글, 시추, 골든 리트리버 등의 견종에 걸쳐 학습용 9,025개와 검증용 3,929개를 포함한 총 12,954개의 컬러 이미지가 있으며, 모델이 명확한 객체 카테고리가 아닌 미세한 세부 차이를 구분하도록 합니다.
주요 기능#
- ImageWoof는 오스트레일리안 테리어, 보더 테리어, 사모예드, 비글, 시추, 잉글리시 폭스하운드, 로디지안 리지백, 딩고, 골든 리트리버, 올드 잉글리시 쉽독 등 10개 견종에 걸쳐 총 12,954개의 이미지를 포함합니다.
- 사전 정의된 학습용 9,025개 및 검증용 3,929개의 이미지 분할이 제공되며, 다양한 계산 예산에 맞게 여러 해상도(전체 크기, 320px, 160px)로 사용할 수 있습니다.
- 또한 레이블이 항상 신뢰할 수 없는 보다 현실적인 상황을 제공하는 노이즈 레이블 버전도 포함합니다.
데이터셋 구조#
ImageWoof는 사전 정의된 학습/검증 분할과 함께 제공되며, 각 견종은 고유한 폴더에 저장됩니다.
| 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 카테고리를 구분하는 세밀한 분류를 테스트하도록 설계되었습니다.
응용 분야#
ImageWoof 데이터셋은 더 복잡하고 유사한 클래스에 대한 딥러닝 모델의 학습 및 평가에 널리 사용됩니다. 이 데이터셋의 과제는 견종 간의 미세한 차이에 있으며, 모델 성능과 일반화의 한계를 시험합니다. 특히 다음과 같은 용도에 유용합니다.
- 세밀한 카테고리에 대한 분류 성능 벤치마킹
- 유사하게 보이는 클래스에 대한 모델 견고성 테스트
- 미세한 시각적 차이를 구분할 수 있는 알고리즘 개발
- 일반 도메인에서 특정 도메인으로의 전이 학습 평가
사용법#
ImageWoof 데이터셋에서 이미지 크기 224x224로 100 에포크 동안 분류 모델을 학습하려면 아래 코드 스니펫을 사용합니다. 사용 가능한 인자 전체 목록은 모델 학습 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="imagewoof", epochs=100, imgsz=224)데이터셋 변형#
ImageWoof는 다양한 연구 요구 사항과 계산 예산에 맞게 세 가지 크기로 제공됩니다.
- 전체 크기 (
imagewoof): 전체 크기 이미지로 구성된 원본 버전으로, 최종 학습 및 성능 벤치마킹에 적합합니다. - 중간 크기 (
imagewoof320): 이미지의 최대 변 길이를 320픽셀로 조정한 버전으로, 모델 성능을 크게 희생하지 않고 더 빠르게 학습하는 데 적합합니다. - 소형 크기 (
imagewoof160): 이미지의 최대 변 길이를 160픽셀로 조정한 버전으로, 학습 속도가 중요한 신속한 프로토타이핑 및 실험을 위해 설계되었습니다.
이러한 변형을 사용하려면 데이터셋 인자에서 imagewoof을 imagewoof320 또는 imagewoof160로 바꾸면 됩니다. 예를 들면 다음과 같습니다.
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)더 작은 이미지는 분류 정확도가 낮아질 가능성이 있지만, 모델 개발 초기 단계에서 빠르게 반복하는 데 매우 유용합니다. 또한 Ultralytics Platform을 사용하여 클라우드에서 분류 데이터셋을 관리하고 학습을 실행할 수 있습니다.
샘플 이미지 및 주석#
ImageWoof 데이터셋에는 다양한 견종의 다채로운 이미지가 포함되어 있어 이미지 분류 작업에 도전적인 데이터셋을 제공합니다. 다음은 데이터셋 이미지의 몇 가지 예시입니다.
이 예시는 서로 다른 견종 간의 미세한 차이와 유사성을 보여 주며, 분류 작업의 복잡성과 난이도를 강조합니다.
인용 및 감사의 글#
연구 또는 개발 작업에서 ImageWoof 데이터셋을 사용하는 경우 공식 데이터셋 저장소에 연결하여 데이터셋 제작자를 밝혀 주세요.
머신러닝 및 컴퓨터 비전 연구 커뮤니티를 위한 귀중한 리소스인 ImageWoof를 제작하고 유지 관리해 온 fast.ai 팀에 감사의 뜻을 전합니다. ImageWoof에 대한 자세한 내용은 ImageWoof 데이터셋 저장소를 참조하세요.
FAQ#
ImageWoof에는 총 12,954개의 이미지(학습용 9,025개, 검증용 3,929개)가 있으며, 오스트레일리안 테리어, 보더 테리어, 사모예드, 비글, 시추, 잉글리시 폭스하운드, 로디지안 리지백, 딩고, 골든 리트리버, 올드 잉글리시 쉽독 등 10개 견종으로 구성됩니다. 각 견종은 고유한 폴더에 저장되며, Ultralytics가 요구하는 표준 분류 레이아웃을 따릅니다.
Ultralytics YOLO를 사용하여 이미지 크기 224x224에서 100 에포크 동안 ImageWoof 데이터셋의 분류 모델을 학습하려면 다음 코드를 사용합니다.
학습 예제from ultralytics import YOLO model = YOLO("yolo26n-cls.pt") # Load a pretrained model results = model.train(data="imagewoof", epochs=100, imgsz=224)사용 가능한 학습 인자에 대한 자세한 내용은 학습 페이지를 참조하세요.
ImageWoof 데이터셋은 세 가지 크기로 제공됩니다.
- 전체 크기 (
imagewoof): 전체 크기 이미지가 포함되어 최종 학습 및 벤치마킹에 적합합니다. - 중간 크기 (
imagewoof320): 최대 변 길이가 320픽셀인 조정된 이미지로, 더 빠른 학습에 적합합니다. - 소형 크기 (
imagewoof160): 최대 변 길이가 160픽셀인 조정된 이미지로, 신속한 프로토타이핑에 적합합니다.
데이터셋 인자에서
imagewoof을 적절한 버전으로 바꾸어 이러한 버전을 사용합니다. 더 작은 이미지는 분류 정확도가 낮아질 수 있지만 더 빠른 반복에 유용합니다.- 전체 크기 (
ImageWoof 데이터셋의 노이즈 레이블은 레이블이 항상 정확하지 않은 실제 환경을 시뮬레이션합니다. 이 데이터를 사용하여 모델을 학습하면 이미지 분류 작업에서 견고성과 일반화 성능을 개발하는 데 도움이 됩니다. 또한 실제 애플리케이션에서 자주 접하는 모호하거나 잘못 레이블된 데이터를 효과적으로 처리할 수 있도록 모델을 준비합니다.
ImageWoof의 주요 과제는 포함된 견종 간의 미세한 차이에 있습니다. 서로 밀접한 10개 견종에 초점을 맞추기 때문에 이들을 구분하려면 더 고급화되고 정교하게 조정된 이미지 분류 모델이 필요합니다. 따라서 ImageWoof는 딥러닝 모델의 역량과 개선 사항을 테스트하는 데 탁월한 벤치마크입니다.