Dataset ImageNette#
O dataset ImageNette é um subconjunto do ImageNet com 10 classes facilmente distinguíveis, criado pela fast.ai para disponibilizar uma versão mais rápida e fácil de utilizar do ImageNet para desenvolvimento de software e educação. Contém 13.394 imagens a cores — 9.469 para treino e 3.925 para validação — abrangendo classes como tenca, springer inglês, leitor de cassetes e trompa francesa, para que os modelos de classificação de imagens sejam treinados em minutos, em vez das horas necessárias para o ImageNet completo com 1.000 classes.
Principais funcionalidades#
- O ImageNette contém 13.394 imagens distribuídas por 10 classes: tenca, springer inglês, leitor de cassetes, motosserra, igreja, trompa francesa, camião do lixo, bomba de gasolina, bola de golfe e paraquedas.
- É fornecido com uma divisão predefinida de 9.469 imagens a cores para treino e 3.925 para validação, com dimensões variadas.
- As 10 classes bem separadas tornam o ImageNette rápido de treinar e fácil de analisar, pelo que é amplamente utilizado para prototipagem e ensino de classificação de imagens.
Estrutura do Conjunto de Dados#
O ImageNette é fornecido com uma divisão predefinida entre treino e validação, com cada classe armazenada na sua própria pasta:
| Divisão | Imagens | Classes |
|---|---|---|
| Treinar | 9,469 | 10 |
| Validação | 3,925 | 10 |
O número exato de imagens varia consoante a classe, proporcionando uma distribuição realista para treino rápido e benchmarking sem a escala do dataset ImageNet completo.
Aplicações#
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. O seu formato simples e as classes bem escolhidas tornam-no um recurso útil tanto para iniciantes como para profissionais experientes em machine learning e visão computacional.
Utilização#
Para treinar um modelo no dataset ImageNette durante 100 épocas, com um tamanho de imagem padrão de 224x224, podes utilizar os seguintes excertos de código. Para obteres 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="imagenette", epochs=100, imgsz=224)Imagens de exemplo e anotações#
O dataset ImageNette contém imagens a cores de vários objetos e cenários, proporcionando um dataset diversificado para tarefas de classificação de imagens. Eis alguns exemplos de imagens do dataset:
O exemplo demonstra a variedade e a complexidade das imagens do dataset ImageNette, salientando a importância de um dataset diversificado para treinar modelos robustos de classificação de imagens.
ImageNette160 e ImageNette320#
Para uma prototipagem e um treino mais rápidos, o ImageNette também está disponível em dois tamanhos reduzidos: ImageNette160 e ImageNette320. Estes datasets mantêm as mesmas classes e estrutura do ImageNette completo, mas as imagens são redimensionadas para um comprimento máximo de margem menor. São particularmente úteis para testes preliminares de modelos ou quando os recursos computacionais são limitados.
Para utilizar estes datasets, basta substituir imagenette por imagenette160 ou imagenette320 no comando de treino. Os seguintes excertos de código ilustram este processo:
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)Estas versões mais pequenas do dataset permitem iterações rápidas durante o desenvolvimento, continuando a fornecer tarefas realistas de classificação de imagens. Também podes gerir datasets de classificação e executar treinos na cloud com a Ultralytics Platform.
Citações e agradecimentos#
Se utilizares o dataset ImageNette no teu trabalho de investigação ou desenvolvimento, agradece a sua utilização de forma adequada. Para obteres mais informações sobre o ImageNette, visita a página do dataset ImageNette no GitHub.
Gostaríamos de agradecer à equipa da fast.ai por criar e manter o ImageNette como um recurso valioso para a comunidade de investigação em machine learning e visão computacional.
Perguntas frequentes#
O dataset ImageNette é um subconjunto simplificado do ImageNet com 10 classes facilmente distinguíveis, como tenca, springer inglês e trompa francesa. Contém 13.394 imagens (9.469 para treino e 3.925 para validação) e foi criado pela fast.ai para oferecer um dataset mais gerível para o treino e a avaliação eficientes de modelos de classificação de imagens. Isto torna-o especialmente útil para o desenvolvimento rápido de software e para fins educativos em machine learning e visão computacional.
O ImageNette contém 13.394 imagens no total — 9.469 para treino e 3.925 para validação — distribuídas por 10 classes: tenca, springer inglês, leitor de cassetes, motosserra, igreja, trompa francesa, camião do lixo, bomba de gasolina, bola de golfe e paraquedas. Cada classe é armazenada na sua própria pasta, seguindo o esquema de classificação padrão esperado pelo Ultralytics.
Para treinar um modelo YOLO no ImageNette durante 100 épocas, utiliza os seguintes comandos. Certifica-te de que o ambiente Ultralytics YOLO está configurado.
Exemplo de treinofrom 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 obteres mais informações, consulta a página de documentação de Treino.
O dataset ImageNette oferece várias vantagens:
- Rápido e simples: Com apenas 10 classes e cerca de 13.000 imagens, é muito menos complexo e demorado de treinar do que o ImageNet completo.
- Utilização educativa: Ideal para aprender e ensinar os conceitos básicos da classificação de imagens, uma vez que requer menos poder computacional e tempo.
- Versatilidade: É amplamente utilizado para treinar e avaliar modelos de classificação de imagens, especialmente Redes Neurais Convolucionais (CNNs).
Para obteres mais informações sobre o treino de modelos e a gestão de datasets, consulta a secção Estrutura do Dataset.
Sim, o ImageNette também está disponível em duas versões redimensionadas, ImageNette160 e ImageNette320, cujas imagens são redimensionadas para comprimentos máximos de margem menores. Estas versões permitem uma prototipagem mais rápida e são especialmente úteis quando os recursos computacionais são limitados.
Exemplo de treino 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 obteres mais informações, consulta Treino com ImageNette160 e ImageNette320.
O dataset ImageNette é amplamente utilizado em:
- Contextos educativos: Para ensinar aos principiantes os fundamentos de machine learning e visão computacional.
- Desenvolvimento de software: Para a prototipagem e o desenvolvimento rápidos de modelos de classificação de imagens.
- Investigação em deep learning: Para avaliar e comparar o desempenho de vários modelos de deep learning, especialmente Redes Neurais Convolucionais (CNNs).
Explora a secção Aplicações para conheceres casos de utilização detalhados.