YOLO Vision 2026:

Обзор наборов данных для классификации изображений#

Структура набора данных для задач классификации YOLO#

Для задач классификации Ultralytics YOLO датасет должен быть организован в определенную структуру с разделением по директориям внутри каталога root, чтобы упростить правильное обучение, тестирование и необязательные процессы валидации. Эта структура включает в себя отдельные директории для этапов обучения (train) и валидации (val), а также необязательную директорию для тестирования (test).

Каждая из этих директорий должна содержать одну подпапку для каждого класса в наборе данных. Подпапки называются по имени соответствующего класса и содержат все изображения этого класса. Убедись, что каждый файл изображения имеет уникальное имя и сохранен в распространенном формате, таком как JPEG или PNG.

Пример структуры папок#

В качестве примера рассмотрим датасет CIFAR-10. Структура папок должна выглядеть следующим образом:

cifar-10-/
|
|-- train/
|   |-- airplane/
|   |   |-- 10008_airplane.png
|   |   |-- 10009_airplane.png
|   |   |-- ...
|   |
|   |-- automobile/
|   |   |-- 1000_automobile.png
|   |   |-- 1001_automobile.png
|   |   |-- ...
|   |
|   |-- bird/
|   |   |-- 10014_bird.png
|   |   |-- 10015_bird.png
|   |   |-- ...
|   |
|   |-- ...
|
|-- test/
|   |-- airplane/
|   |   |-- 10_airplane.png
|   |   |-- 11_airplane.png
|   |   |-- ...
|   |
|   |-- automobile/
|   |   |-- 100_automobile.png
|   |   |-- 101_automobile.png
|   |   |-- ...
|   |
|   |-- bird/
|   |   |-- 1000_bird.png
|   |   |-- 1001_bird.png
|   |   |-- ...
|   |
|   |-- ...
|
|-- val/ (optional)
|   |-- airplane/
|   |   |-- 105_airplane.png
|   |   |-- 106_airplane.png
|   |   |-- ...
|   |
|   |-- automobile/
|   |   |-- 102_automobile.png
|   |   |-- 103_automobile.png
|   |   |-- ...
|   |
|   |-- bird/
|   |   |-- 1045_bird.png
|   |   |-- 1046_bird.png
|   |   |-- ...
|   |
|   |-- ...

Такой структурированный подход гарантирует, что модель сможет эффективно обучаться на хорошо организованных классах во время этапа обучения и точно оценивать производительность на этапах тестирования и валидации.

Использование#

Пример
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="path/to/dataset", epochs=100, imgsz=640)
Совет

Большинство встроенных имен датасетов (например, cifar10, imagenette или mnist160) автоматически скачают и закэшируют данные при первом обращении к ним. Указывай data путь к папке только тогда, когда ты подготовил собственный датасет.

Поддерживаемые наборы данных#

Ultralytics поддерживает следующие наборы данных с функцией автоматической загрузки:

  • Caltech 101: датасет, содержащий изображения 101 категории объектов для задач классификации изображений.
  • Caltech 256: расширенная версия Caltech 101 с 256 категориями объектов и более сложными изображениями.
  • CIFAR-10: набор данных из 60 тыс. цветных изображений размером 32x32 в 10 классах, по 6 тыс. изображений на класс.
  • CIFAR-100: расширенная версия CIFAR-10 со 100 категориями объектов и 600 изображениями на класс.
  • Fashion-MNIST: набор данных, состоящий из 70 000 черно-белых изображений одежды из 10 категорий для задач классификации изображений.
  • ImageNet: крупномасштабный датасет для обнаружения объектов и классификации изображений, содержащий более 14 миллионов изображений и 20 000 категорий.
  • ImageNet-10: меньшее подмножество ImageNet с 10 категориями для более быстрого экспериментирования и тестирования.
  • Imagenette: меньшее подмножество ImageNet, содержащее 10 легко различимых классов для более быстрого обучения и тестирования.
  • Imagewoof: более сложное подмножество ImageNet, содержащее 10 пород собак для задач классификации изображений.
  • MNIST: набор данных из 70 000 черно-белых изображений рукописных цифр для задач классификации изображений.
  • MNIST160: первые 8 изображений каждой цифры (0-9) из обучающей и тестовой выборок MNIST. Всего набор данных содержит 160 изображений.

Добавление собственного набора данных#

Если у тебя есть собственный датасет и ты хочешь использовать его для обучения моделей классификации с помощью Ultralytics YOLO, убедись, что он соответствует формату, указанному выше в разделе «Dataset Structure», а затем укажи аргумент data, ссылающийся на директорию датасета при инициализации скрипта обучения.

FAQ#

  • Чтобы структурировать свой датасет для задач классификации Ultralytics YOLO, тебе следует использовать определенный формат с разделением по директориям. Организуй свой датасет в виде отдельных директорий для train, test и, при желании, val. Каждая из этих директорий должна содержать поддиректории, названные в честь каждого класса, с соответствующими изображениями внутри. Это обеспечивает плавный процесс обучения и оценки. В качестве примера рассмотрим формат датасета CIFAR-10:

    cifar-10-/
|-- train/
|   |-- airplane/
|   |-- automobile/
|   |-- bird/
|   ...
|-- test/
|   |-- airplane/
|   |-- automobile/
|   |-- bird/
|   ...
|-- val/ (optional)
|   |-- airplane/
|   |-- automobile/
|   |-- bird/
|   ...

    Для получения подробной информации посети раздел Dataset Structure for YOLO Classification Tasks.

  • Ultralytics YOLO поддерживает автоматическую загрузку нескольких датасетов для классификации изображений, включая Caltech 101, Caltech 256, CIFAR-10, CIFAR-100, Fashion-MNIST, ImageNet, ImageNet-10, Imagenette, Imagewoof и MNIST. Эти датасеты структурированы так, чтобы их было удобно использовать с YOLO. На странице каждого датасета приводятся дополнительные сведения о его структуре и применении.

  • Чтобы использовать собственный датасет с Ultralytics YOLO, убедись, что он соответствует требуемому формату директорий для задачи классификации, с отдельными директориями train, test и, опционально, val, а также поддиректориями для каждого класса, содержащими соответствующие изображения. Как только твой датасет будет правильно структурирован, укажи аргумент data, ведущий к корневой директории твоего датасета при инициализации скрипта обучения. Вот пример на Python:

    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="path/to/your/dataset", epochs=100, imgsz=640)

    Более подробную информацию можно найти в разделе Adding your own dataset.

  • Ultralytics YOLO предлагает несколько преимуществ для классификации изображений, включая:

    • Предобученные модели: загружай предобученные модели вроде yolo26n-cls.pt, чтобы ускорить процесс обучения.
    • Простота использования: Простые команды API и CLI для обучения и оценки.
    • Высокая производительность: передовая точность и скорость, идеально подходящие для приложений реального времени.
    • Поддержка множества датасетов: полная интеграция с различными популярными датасетами, такими как CIFAR-10, ImageNet и другими.
    • Сообщество и поддержка: Доступ к обширной документации и активному сообществу для поиска решений и улучшений.

    Для получения дополнительной информации и примеров практического применения ты можешь изучить Ultralytics YOLO.

  • Обучить модель с помощью Ultralytics YOLO можно легко как на Python, так и через CLI. Вот пример:

    Пример
    from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n-cls.pt")  # load a pretrained model

# Train the model
results = model.train(data="path/to/dataset", epochs=100, imgsz=640)

    Эти примеры демонстрируют простой процесс обучения модели YOLO с использованием любого из подходов. Для получения дополнительной информации посети раздел Usage и страницу Train для задач классификации.

Участники
GLglenn-jocher16PDpderrenger1RAraimbekovm1JKjk4e1MAMatthewNoyce1STstormsson1

Комментарии