Conjunto de dados ImageWoof#

12,951

ImageWoof

ultralytics

publicClassify

ImageWoof is fast.ai's fine-grained ImageNet subset spanning ten visually similar dog breeds. It provides a compact but challenging classification benchmark for learning subtle differences in coat, head shape, body structure, pose, and background context.

10 classes884 MBSep 2, 2026

Shih-TzuRhodesian ridgebackBeagleEnglish foxhound+6

image-classificationimagewoofimagenet+2

O conjunto de dados ImageWoof é um subconjunto do ImageNet composto por 10 classes de raças de cães deliberadamente difíceis de distinguir, criado pela fast.ai como um desafio mais difícil para algoritmos de classificação de imagens. Ele contém 12.954 imagens coloridas — 9.025 para treinamento e 3.929 para validação — de raças como Beagle, Shih-Tzu e Golden Retriever, desafiando os modelos a distinguir diferenças sutis e detalhadas, em vez de categorias de objetos óbvias.

Principais funcionalidades#

• O ImageWoof contém 12.954 imagens de 10 raças de cães: terrier australiano, border terrier, samoieda, Beagle, Shih-Tzu, foxhound inglês, ridgeback rodesiano, dingo, Golden Retriever e pastor inglês antigo.
• Ele vem com uma divisão predefinida de 9.025 imagens para treinamento e 3.929 para validação, disponível em várias resoluções (tamanho original, 320px e 160px) para atender a diferentes orçamentos computacionais.
• Ele também inclui uma versão com rótulos ruidosos, oferecendo um cenário mais realista em que os rótulos nem sempre são confiáveis.

Estrutura do conjunto de dados#

O ImageWoof vem com uma divisão predefinida entre treinamento e validação, com cada raça de cão armazenada em sua própria pasta:

Como as 10 classes são todas raças de cães, a divisão foi criada para testar a classificação de categorias detalhadas — distinguindo categorias visualmente semelhantes — em vez do reconhecimento amplo de objetos do conjunto de dados ImageNet completo.

Aplicações#

O conjunto de dados ImageWoof é amplamente usado para treinar e avaliar modelos de aprendizado profundo em classes mais complexas e semelhantes. O desafio está nas diferenças sutis entre as raças de cães, que levam ao limite o desempenho e a capacidade de generalização dos modelos. Ele é particularmente valioso para:

• Comparar o desempenho da classificação em categorias detalhadas
• Testar a robustez de modelos diante de classes visualmente semelhantes
• Desenvolver algoritmos capazes de distinguir diferenças visuais sutis
• Avaliar o aprendizado por transferência de domínios gerais para específicos

Uso#

Para treinar um modelo de classificação no conjunto de dados ImageWoof por 100 épocas, usando imagens de tamanho 224x224, use os trechos de código abaixo. Para ver a lista completa dos argumentos disponíveis, consulte a página de treinamento do modelo.

from ultralytics import YOLO

# Carregar um modelo
model = YOLO("yolo26n-cls.pt")  # carregue um modelo pré-treinado (recomendado para treinamento)

# Treinar o modelo
results = model.train(data="imagewoof", epochs=100, imgsz=224)

Variantes do conjunto de dados#

O ImageWoof está disponível em três tamanhos para atender a diferentes necessidades de pesquisa e orçamentos computacionais:

1. Tamanho completo (imagewoof): A versão original com imagens em tamanho integral, ideal para o treinamento final e a avaliação comparativa de desempenho.
2. Tamanho médio (imagewoof320): Imagens redimensionadas para um comprimento máximo de borda de 320 pixels, adequadas para treinamentos mais rápidos sem sacrificar significativamente o desempenho do modelo.
3. Tamanho pequeno (imagewoof160): Imagens redimensionadas para um comprimento máximo de borda de 160 pixels, destinadas à prototipagem e experimentação rápidas, quando a velocidade de treinamento é prioritária.

Para usar essas variantes, basta substituir imagewoof no argumento do conjunto de dados por imagewoof320 ou imagewoof160. Por exemplo:

from ultralytics import YOLO

# Carregar um modelo
model = YOLO("yolo26n-cls.pt")  # carregue um modelo pré-treinado (recomendado para treinamento)

# Para o conjunto de dados de tamanho médio
model.train(data="imagewoof320", epochs=100, imgsz=224)

# Para o conjunto de dados de tamanho pequeno
model.train(data="imagewoof160", epochs=100, imgsz=224)

Observe que imagens menores provavelmente resultarão em menor precisão na classificação, mas são uma excelente opção para iterar rapidamente nas etapas iniciais do desenvolvimento de modelos. Você também pode gerenciar conjuntos de dados de classificação e executar treinamentos na nuvem com a Ultralytics Platform.

Imagens de exemplo e anotações#

O conjunto de dados ImageWoof contém imagens coloridas de várias raças de cães, oferecendo um desafio para tarefas de classificação de imagens. Veja alguns exemplos de imagens do conjunto de dados:

O exemplo demonstra as diferenças sutis e as semelhanças entre as várias raças de cães, destacando a complexidade e a dificuldade da tarefa de classificação.

Citações e agradecimentos#

Se você usar o conjunto de dados ImageWoof em seu trabalho de pesquisa ou desenvolvimento, reconheça os criadores do conjunto de dados com um link para o repositório oficial do conjunto de dados.

Gostaríamos de agradecer à equipe da fast.ai por criar e manter o ImageWoof como um recurso valioso para a comunidade de pesquisa de aprendizado de máquina e visão computacional. Para saber mais sobre o ImageWoof, acesse o repositório do conjunto de dados ImageWoof.

Perguntas frequentes#