Dataset ImageNette#
O conjunto de dados 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 o desenvolvimento de software e educação. Ele contém 13.394 imagens coloridas — 9.469 para treinamento e 3.925 para validação — abrangendo classes como tenca (tench), springer inglês, leitor de cassetes e trompa francesa, para que os modelos de classificação de imagem sejam treinados em minutos em vez das horas exigidas pelo ImageNet completo de 1.000 classes.
Principais 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.
Estrutura do Dataset#
O ImageNette vem com uma divisão de treino/validação predefinida, com cada classe armazenada em sua própria pasta:
| Divisão | Imagens | Classes |
|---|---|---|
| Treinar | 9,469 | 10 |
| Validação | 3,925 | 10 |
O número exato de imagens varia por classe, proporcionando uma distribuição realista para treinamento e benchmarking rápidos sem a escala do dataset ImageNet completo.
Aplicações#
O conjunto de dados 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 aprendizado de máquina. Seu formato direto e suas classes bem escolhidas tornam-no um recurso prático tanto para iniciantes quanto para profissionais experientes em aprendizado de máquina e visão computacional.
Uso#
Para treinar um modelo no conjunto de dados ImageNette por 100 épocas com um tamanho de imagem padrão de 224x224, podes usar os seguintes trechos de código. Para obter 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)Exemplos de Imagens e Anotações#
O conjunto de dados ImageNette contém imagens coloridas de vários objetos e cenas, fornecendo um conjunto de dados diversificado para tarefas de classificação de imagem. Aqui estão alguns exemplos de imagens do conjunto de dados:
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.
ImageNette160 e ImageNette320#
Para prototipagem e treinamento mais rápidos, o ImageNette também está disponível em dois tamanhos reduzidos: ImageNette160 e ImageNette320. Esses conjuntos de dados 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 conjuntos de dados, 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 conjunto de dados permitem iterações rápidas durante o desenvolvimento, mantendo tarefas realistas de classificação de imagens. Também podes gerenciar conjuntos de dados de classificação e executar treinamentos na nuvem com a Ultralytics Platform.
Citações e Agradecimentos#
Se usares o conjunto de dados ImageNette na tua pesquisa ou trabalho de desenvolvimento, reconhece-o adequadamente. Para obter mais informações sobre o ImageNette, visita a página do GitHub do conjunto de dados ImageNette.
Gostaríamos de agradecer à equipa da fast.ai por criar e manter o ImageNette como um recurso valioso para a comunidade de pesquisa de aprendizado de máquina e visão computacional.
FAQ#
O conjunto de dados ImageNette é um subconjunto simplificado do ImageNet com 10 classes facilmente distinguíveis, como tenca, springer inglês e trompa francesa. Ele contém 13.394 imagens (9.469 de treinamento e 3.925 de validação) e foi criado pela fast.ai para oferecer um conjunto de dados mais gerenciável para o treinamento e avaliação eficientes de modelos de classificação de imagens. Isso o torna especialmente útil para o desenvolvimento rápido de software e fins educacionais em aprendizado de máquina e visão computacional.
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.
Para treinar um modelo YOLO no ImageNette por 100 épocas, usa os seguintes comandos. Certifica-te de que tens o ambiente do Ultralytics YOLO configurado.
Exemplo de Treinamentofrom 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 obter mais detalhes, consulta a página de documentação de Treinamento.
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 utilizado para treinar e avaliar modelos de classificação de imagens, especialmente Redes Neurais Convolucionais (CNNs).
Para mais detalhes sobre o treinamento de modelos e o gerenciamento de conjuntos de dados, explora a seção Estrutura do Conjunto de Dados.
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.
Exemplo de Treinamento com ImageNette160from 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.
O dataset ImageNette é amplamente utilizado em:
- Ambientes Educacionais: Para ensinar aos iniciantes os fundamentos do aprendizado de máquina e da visão computacional.
- Desenvolvimento de Software: Para prototipagem rápida e desenvolvimento de modelos de classificação de imagens.
- Pesquisa de 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.