Conjunto de dados ImageNet10#
O conjunto de dados ImageNet10 da Ultralytics (data="imagenet10") é um pequeno subconjunto de 24 imagens do ImageNet, abrangendo as suas primeiras 10 classes, criado para testes de integração contínua, verificações de sanidade e validação rápida de pipelines de treino. Contém 12 imagens de treino e 12 de validação, organizadas na mesma estrutura de pastas de synsets do WordNet que o conjunto de dados completo, para que um modelo que treina no ImageNet treine no ImageNet10 sem alterações — em segundos, em vez de horas. Foi concebido para verificar se um pipeline é executado de ponta a ponta, não para avaliar a precisão.
Principais funcionalidades#
- O ImageNet10 contém apenas 24 imagens (12 de treino e 12 de validação) provenientes das primeiras 10 classes do ImageNet.
- O conjunto de dados está organizado de acordo com a hierarquia do WordNet, reproduzindo as pastas de synsets por classe do conjunto de dados completo do ImageNet.
- Foi criado especificamente para testes de integração contínua, verificações de sanidade e depuração rápida de pipelines de treino em tarefas de visão computacional.
- Embora não tenha sido concebido para avaliar modelos, fornece uma indicação rápida da funcionalidade básica e da correção de um modelo.
Estrutura do Conjunto de Dados#
O ImageNet10 é fornecido com uma divisão predefinida, utilizando as primeiras 10 classes do conjunto de dados completo do ImageNet (n01440764 tentilhão a n01518878 avestruz):
| Divisão | Imagens | Classes |
|---|---|---|
| Treinar | 12 | 10 |
| Validação | 12 | 10 |
Cada uma das 10 classes é um synset do WordNet (um conjunto de termos sinónimos), e as imagens encontram-se em pastas por classe nomeadas pelo ID do synset — exatamente o esquema que o treino de classificação da Ultralytics espera. Isto faz do ImageNet10 um substituto compacto e estruturalmente fiel do conjunto de dados completo para testar se um modelo reconhece o formato de pastas esperado.
Explora o ImageNet10 na Ultralytics Platform para navegar pelas imagens agrupadas por classe, ver a distribuição das classes no separador Charts e cloná-lo para treinares o teu próprio modelo na cloud.
Aplicações#
O conjunto de dados ImageNet10 é útil para testar e depurar rapidamente modelos e pipelines de visão computacional. O seu tamanho reduzido permite uma iteração rápida, tornando-o ideal para testes de integração contínua e verificações de sanidade. Também é útil para testes preliminares rápidos de novos modelos ou alterações de código antes de avançar para execuções em grande escala com o conjunto de dados completo do ImageNet.
Utilização#
Para testar um modelo de classificação no conjunto de dados ImageNet10 com um tamanho de imagem de 224x224, utiliza os trechos de código abaixo. Para obter uma lista completa dos argumentos disponíveis, consulta a página de Treino do modelo.
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)Imagens de exemplo e anotações#
O conjunto de dados ImageNet10 contém um subconjunto de imagens do conjunto de dados ImageNet original, escolhido para representar as suas primeiras 10 classes e fornecer um recurso diversificado, mas compacto, para testes e avaliações rápidas.
O exemplo demonstra a variedade e a complexidade das imagens do conjunto de dados ImageNet10, destacando a sua utilidade para verificações de sanidade e testes rápidos de modelos de visão computacional.
Citações e agradecimentos#
Se utilizares o conjunto de dados ImageNet10 no teu trabalho de investigação ou desenvolvimento, cita o artigo original do ImageNet:
@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}
}Gostaríamos de reconhecer o trabalho da equipa do ImageNet, liderada por Olga Russakovsky, Jia Deng e Li Fei-Fei, pela criação e manutenção do conjunto de dados ImageNet. O subconjunto ImageNet10, criado pela Ultralytics, é um recurso valioso para testes e depuração rápidos na comunidade de investigação de aprendizagem automática e visão computacional. Para obteres mais informações sobre o conjunto de dados ImageNet e os seus criadores, visita o site do ImageNet.
Perguntas frequentes#
O conjunto de dados ImageNet10 é um subconjunto compacto da base de dados ImageNet, criado pela Ultralytics para testes rápidos de CI, verificações de sanidade e avaliações de pipelines de treino. Contém 24 imagens (12 de treino e 12 de validação) das primeiras 10 classes do ImageNet. Apesar do seu tamanho reduzido, preserva a estrutura de pastas do WordNet do conjunto de dados completo, tornando-o ideal para testes rápidos de pipelines, mas não para avaliar a precisão dos modelos.
O ImageNet10 contém 24 imagens no total — 12 para treino e 12 para validação — distribuídas pelas primeiras 10 classes do ImageNet. Cada classe é um synset do WordNet armazenado na sua própria pasta, pelo que o conjunto de dados reproduz o esquema do conjunto de dados completo do ImageNet numa fração do tamanho.
Para testares o teu modelo de classificação no ImageNet10 com um tamanho de imagem de 224x224, utiliza os seguintes trechos de código.
Exemplo de testefrom 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)Consulta a página de Treino para obteres uma lista completa dos argumentos disponíveis.
O ImageNet10 foi concebido especificamente para testes de CI, verificações de sanidade e avaliações rápidas em pipelines de aprendizagem profunda. O seu tamanho de 24 imagens permite uma iteração quase instantânea, tornando-o ideal para a integração contínua, onde a velocidade é crucial. Ao preservar a estrutura de pastas do conjunto de dados completo do ImageNet, fornece uma verificação fiável da funcionalidade básica e da correção de um modelo, sem a sobrecarga de processar um conjunto de dados de grandes dimensões.
Embora tanto o ImageNet10 como o ImageNette sejam subconjuntos do ImageNet, têm finalidades diferentes. O ImageNet10 contém apenas 24 imagens das primeiras 10 classes, o que o torna extremamente leve para testes de CI e verificações de sanidade rápidas. Em contrapartida, o ImageNette contém mais de 13 000 imagens distribuídas por 10 classes facilmente distinguíveis, tornando-o adequado para treino e desenvolvimento efetivos de modelos. O ImageNet10 verifica a funcionalidade do pipeline, enquanto o ImageNette é melhor para experiências de treino com significado, mas mais rápidas do que as realizadas com o ImageNet completo.