Conjunto de dados ImageWoof#
O conjunto de dados ImageWoof é um subconjunto do ImageNet composto por 10 classes de raças de cães que são deliberadamente difíceis de distinguir, criado pelo fast.ai como um desafio mais difícil para algoritmos de classificação de imagens. Ele contém 12.954 imagens coloridas — 9.025 para treino e 3.929 para validação — entre raças como Beagle, Shih-Tzu e Golden retriever, forçando os modelos a distinguir diferenças sutis e detalhadas em vez de categorias óbvias de objetos.
Principais recursos#
- O ImageWoof contém 12.954 imagens de 10 raças de cães: Australian terrier, Border terrier, Samoyed, Beagle, Shih-Tzu, English foxhound, Rhodesian ridgeback, Dingo, Golden retriever e Old English sheepdog.
- Ele é disponibilizado com uma divisão predefinida de 9.025 imagens de treino e 3.929 de validação, disponíveis em várias resoluções (tamanho original, 320px, 160px) para se adequar a diferentes orçamentos computacionais.
- Também inclui uma versão com rótulos ruidosos, proporcionando um cenário mais realista onde os rótulos nem sempre são confiáveis.
Estrutura do Dataset#
O ImageWoof é disponibilizado com uma divisão predefinida de treino/validação, com cada raça de cão armazenada em sua própria pasta:
| Divisão | Imagens | Classes |
|---|---|---|
| Treinar | 9,025 | 10 |
| Validação | 3,929 | 10 |
Como todas as 10 classes são raças de cães, a divisão foi projetada para testar a classificação de granulação fina — distinguir categorias visualmente semelhantes — em vez do reconhecimento amplo de objetos do conjunto de dados ImageNet completo.
Aplicações#
O conjunto de dados ImageWoof é amplamente utilizado para treinar e avaliar modelos de deep learning em classes mais complexas e semelhantes. O seu desafio reside nas diferenças subtis entre as raças de cães, levando ao limite o desempenho e a generalização do modelo. É particularmente valioso para:
- Avaliar o desempenho de classificação em categorias de granulação fina
- Testar a robustez do modelo contra classes visualmente semelhantes
- Desenvolver algoritmos que consigam distinguir diferenças visuais sutis
- Avaliar o transfer learning de domínios gerais para específicos
Uso#
Para treinar um modelo de classificação no conjunto de dados ImageWoof durante 100 epochs com um tamanho de imagem de 224x224, utiliza os trechos de código abaixo. 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="imagewoof", epochs=100, imgsz=224)Variantes do Conjunto de Dados#
O ImageWoof está disponível em três tamanhos para acomodar diferentes necessidades de pesquisa e orçamentos computacionais:
- Tamanho Completo (
imagewoof): A versão original com imagens em tamanho real, ideal para o treinamento final e avaliação de desempenho. - Tamanho Médio (
imagewoof320): Imagens redimensionadas para um comprimento máximo de borda de 320 pixéis, adequadas para um treinamento mais rápido sem sacrificar significativamente o desempenho do modelo. - Tamanho Pequeno (
imagewoof160): Imagens redimensionadas para um comprimento máximo de borda de 160 pixéis, concebidas para prototipagem rápida e experimentação onde a velocidade de treinamento é uma prioridade.
Para utilizar estas variantes, basta substituir imagewoof no argumento do conjunto de dados por imagewoof320 ou imagewoof160. Por exemplo:
from ultralytics import YOLO
# Load a model
model = YOLO("yolo26n-cls.pt") # load a pretrained model (recommended for training)
# For medium-sized dataset
model.train(data="imagewoof320", epochs=100, imgsz=224)
# For small-sized dataset
model.train(data="imagewoof160", epochs=100, imgsz=224)Tem em atenção que imagens mais pequenas provavelmente resultarão numa menor precisão de classificação, mas são uma excelente forma de iterar rapidamente nas fases iniciais do desenvolvimento do modelo. Também podes gerir conjuntos de dados de classificação e executar o treinamento na nuvem com o Ultralytics Platform.
Exemplos de Imagens e Anotações#
O conjunto de dados ImageWoof contém imagens coloridas de várias raças de cães, fornecendo um conjunto de dados desafiante para tarefas de classificação de imagens. Aqui estão alguns exemplos de imagens do conjunto de dados:
O exemplo mostra as diferenças e semelhanças subtis entre as diferentes raças de cães, destacando a complexidade e a dificuldade da tarefa de classificação.
Citações e Agradecimentos#
Se utilizas o conjunto de dados ImageWoof no teu trabalho de investigação ou desenvolvimento, por favor reconhece os criadores do conjunto de dados através de uma ligação para o repositório oficial do conjunto de dados.
Gostaríamos de agradecer à equipa do fast.ai por criar e manter o ImageWoof como um recurso valioso para a comunidade de investigação em aprendizagem automática e visão computacional. Para mais informações sobre o ImageWoof, visita o repositório do conjunto de dados ImageWoof.
FAQ#
O conjunto de dados ImageWoof é um subconjunto desafiante do ImageNet focado em 10 raças de cães, contendo 12.954 imagens (9.025 de treino e 3.929 de validação). Criado pelo fast.ai para empurrar os limites dos modelos de classificação de imagens, inclui raças como Beagle, Shih-Tzu e Golden retriever. O conjunto de dados está disponível em várias resoluções (tamanho completo, 320px, 160px) e inclui até rótulos ruidosos para cenários de treinamento mais realistas, tornando-o ideal para desenvolver modelos avançados de deep learning.
O ImageWoof contém 12.954 imagens no total — 9.025 para treino e 3.929 para validação — em 10 raças de cães: Australian terrier, Border terrier, Samoyed, Beagle, Shih-Tzu, English foxhound, Rhodesian ridgeback, Dingo, Golden retriever e Old English sheepdog. Cada raça é armazenada na sua própria pasta, seguindo o layout de classificação padrão que a Ultralytics espera.
Para treinar um modelo de classificação no conjunto de dados ImageWoof usando a Ultralytics YOLO por 100 épocas com um tamanho de imagem de 224x224, usa o seguinte código:
Exemplo de Treinamentofrom ultralytics import YOLO model = YOLO("yolo26n-cls.pt") # Load a pretrained model results = model.train(data="imagewoof", epochs=100, imgsz=224)Para mais detalhes sobre os argumentos de treinamento disponíveis, consulta a página de Treinamento.
O conjunto de dados ImageWoof vem em três tamanhos:
- Tamanho Completo (
imagewoof): Ideal para treinamento final e benchmarking, contendo imagens em tamanho real. - Tamanho Médio (
imagewoof320): Imagens redimensionadas com um comprimento máximo de borda de 320 pixéis, adequadas para um treinamento mais rápido. - Tamanho Pequeno (
imagewoof160): Imagens redimensionadas com um comprimento máximo de borda de 160 pixéis, perfeitas para prototipagem rápida.
Usa estas versões substituindo
imagewoofno argumento do conjunto de dados correspondentemente. Tem em atenção que imagens mais pequenas podem produzir menor precisão de classificação, mas são úteis para iterações mais rápidas.- Tamanho Completo (
Os rótulos ruidosos no conjunto de dados ImageWoof simulam condições do mundo real onde os rótulos nem sempre são precisos. Treinar modelos com estes dados ajuda a desenvolver robustez e generalização em tarefas de classificação de imagens. Isso prepara os modelos para lidar eficazmente com dados ambíguos ou com rótulos incorretos, o que é frequentemente encontrado em aplicações práticas.
O principal desafio do ImageWoof reside nas diferenças subtis entre as raças de cães que inclui. Como se concentra em 10 raças intimamente relacionadas, distingui-las requer modelos de classificação de imagens mais avançados e refinados. Isto torna o ImageWoof um excelente benchmark para testar as capacidades e melhorias dos modelos de deep learning.