Link to this sectionDataset ImageNette#

O dataset ImageNette é um subconjunto do ImageNet com 10 classes facilmente distinguíveis, criado pela fast.ai para fornecer uma versão mais rápida e fácil de usar do ImageNet para desenvolvimento de software e educação. Ele contém 13.394 imagens coloridas — 9.469 para treinamento e 3.925 para validação — abrangendo classes como tench (peixe), English springer (cão), leitor de cassetes e trompa, para que modelos de classificação de imagens sejam treinados em minutos em vez das horas exigidas pelo ImageNet completo de 1.000 classes.

Link to this sectionPrincipais recursos#

• O ImageNette contém 13.394 imagens em 10 classes: tench, English springer, leitor de cassetes, motosserra, igreja, trompa, caminhão de lixo, bomba de combustível, bola de golfe e paraquedas.
• Ele vem com uma divisão predefinida de 9.469 imagens coloridas de treinamento e 3.925 de validação com dimensões variadas.
• As 10 classes bem separadas tornam o ImageNette rápido de treinar e fácil de entender, por isso é amplamente usado para prototipagem e ensino de classificação de imagens.

Link to this sectionEstrutura do Dataset#

O ImageNette vem com uma divisão de treino/validação predefinida, com cada classe armazenada em sua própria pasta:

O número exato de imagens varia por classe, proporcionando uma distribuição realista para treinamento e benchmarking rápidos sem a escala do dataset ImageNet completo.

Link to this sectionAplicações#

O dataset ImageNette é amplamente utilizado para treinar e avaliar modelos de deep learning em tarefas de classificação de imagens, como Redes Neurais Convolucionais (CNNs) e outros algoritmos de machine learning. Seu formato direto e classes bem escolhidas tornam-no um recurso prático para iniciantes e profissionais experientes em machine learning e computer vision.

Link to this sectionUso#

Para treinar um modelo no dataset ImageNette por 100 épocas com um tamanho de imagem padrão de 224x224, podes usar os seguintes trechos de código. Para uma lista abrangente de argumentos disponíveis, consulta a página de Treinamento 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="imagenette", epochs=100, imgsz=224)

Link to this sectionExemplos de Imagens e Anotações#

O dataset ImageNette contém imagens coloridas de vários objetos e cenas, fornecendo um dataset diversificado para tarefas de classificação de imagens. Aqui estão alguns exemplos de imagens do dataset:

O exemplo mostra a variedade e a complexidade das imagens no dataset ImageNette, destacando a importância de um dataset diversificado para treinar modelos de classificação de imagens robustos.

Link to this sectionImageNette160 e ImageNette320#

Para prototipagem e treinamento mais rápidos, o ImageNette também está disponível em dois tamanhos reduzidos: ImageNette160 e ImageNette320. Esses datasets mantêm as mesmas classes e estrutura do ImageNette completo, mas as imagens são redimensionadas para um comprimento de borda máximo menor. Eles são particularmente úteis para testes preliminares de modelos ou quando os recursos computacionais são limitados.

Para usar esses datasets, basta substituir imagenette por imagenette160 ou imagenette320 no comando de treinamento. Os seguintes trechos de código ilustram isso:

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)

Essas versões menores do dataset permitem iterações rápidas durante o desenvolvimento, enquanto ainda fornecem tarefas realistas de classificação de imagens. Também podes gerenciar datasets de classificação e executar o treinamento na nuvem com a Plataforma Ultralytics.

Link to this sectionCitações e Agradecimentos#

Se usares o dataset ImageNette em teu trabalho de pesquisa ou desenvolvimento, por favor, reconhece-o apropriadamente. Para mais informações sobre o ImageNette, visita a página do GitHub do dataset ImageNette.

Gostaríamos de agradecer à equipe da fast.ai por criar e manter o ImageNette como um recurso valioso para a comunidade de pesquisa em machine learning e computer vision.

Link to this sectionFAQ#

Link to this sectionO que é o dataset ImageNette?#

O dataset ImageNette é um subconjunto simplificado do ImageNet com 10 classes facilmente distinguíveis, como tench, English springer e trompa. Ele contém 13.394 imagens (9.469 de treinamento e 3.925 de validação) e foi criado pela fast.ai para oferecer um dataset mais gerenciável para treinamento e avaliação eficientes de modelos de classificação de imagens. Isso o torna especialmente útil para desenvolvimento rápido de software e fins educacionais em machine learning e computer vision.

Link to this sectionQuantas imagens e classes o ImageNette possui?#

O ImageNette contém 13.394 imagens no total — 9.469 para treinamento e 3.925 para validação — em 10 classes: tench, English springer, leitor de cassetes, motosserra, igreja, trompa, caminhão de lixo, bomba de combustível, bola de golfe e paraquedas. Cada classe é armazenada em sua própria pasta, seguindo o layout de classificação padrão que a Ultralytics espera.

Link to this sectionComo posso usar o dataset ImageNette para treinar um modelo YOLO?#

Para treinar um modelo YOLO no ImageNette por 100 épocas, usa os comandos a seguir. Certifica-te de que tens o ambiente Ultralytics YOLO configurado.

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)

Para mais detalhes, consulta a página de documentação de Treinamento.

Link to this sectionPor que devo usar o ImageNette para tarefas de classificação de imagens?#

O dataset ImageNette é vantajoso por vários motivos:

• Rápido e Simples: Com apenas 10 classes e cerca de 13.000 imagens, é muito menos complexo e demorado para treinar do que o ImageNet completo.
• Uso Educacional: Ideal para aprender e ensinar o básico de classificação de imagens, já que requer menos poder computacional e tempo.
• Versatilidade: Amplamente usado para treinar e avaliar modelos de classificação de imagens, especialmente Redes Neurais Convolucionais (CNNs).

Para mais detalhes sobre treinamento de modelos e gerenciamento de datasets, explora a seção Estrutura do Dataset.

Link to this sectionO dataset ImageNette pode ser usado com diferentes tamanhos de imagem?#

Sim, o ImageNette também está disponível em duas versões redimensionadas, ImageNette160 e ImageNette320, cujas imagens são redimensionadas para comprimentos de borda máximos menores. Essas versões ajudam na prototipagem mais rápida e são especialmente úteis quando os recursos computacionais são limitados.

from 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)

Para mais informações, consulta Treinamento com ImageNette160 e ImageNette320.

Link to this sectionQuais são algumas aplicações práticas do dataset ImageNette?#

O dataset ImageNette é amplamente utilizado em:

• Ambientes Educacionais: Para ensinar iniciantes os fundamentos de machine learning e computer vision.
• Desenvolvimento de Software: Para prototipagem rápida e desenvolvimento de modelos de classificação de imagens.
• Pesquisa em Deep Learning: Para avaliar e comparar o desempenho de vários modelos de deep learning, especialmente Redes Neurais Convolucionais (CNNs).

Explora a seção Aplicações para casos de uso detalhados.