Обзор датасетов для классификации изображений

Структура набора данных для задач классификации YOLO

Для Ultralytics YOLO Задачи классификации, набор данных должен быть организован в определенную структуру разделенных каталогов под root каталог, чтобы облегчить процесс обучения, тестирования и дополнительной проверки. Эта структура включает в себя отдельные директории для обучения (train) и тестирование (test) фазы, с дополнительным каталогом для проверки (val).

Каждая из этих директорий должна содержать по одному подкаталогу для каждого класса в наборе данных. Подкаталоги называются в честь соответствующего класса и содержат все изображения для этого класса. Убедись, что каждый файл изображения имеет уникальное имя и хранится в общем формате, например JPEG или PNG.

Пример структуры папок

Рассмотрим в качестве примера набор данных 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 на этапе обучения и точно оценивать производительность на этапах тестирования и валидации.

Использование

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n-cls.pt")  # load a pretrained model (recommended for training)

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

# Start training from a pretrained *.pt model
yolo detect train data=path/to/data model=yolov8n-cls.pt epochs=100 imgsz=640

Поддерживаемые наборы данных

Ultralytics Поддерживает следующие наборы данных с автоматической загрузкой:

• Caltech 101: набор данных, 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 тысяч цветных изображений 32х32 в 10 классах, по 6 тысяч 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 полутоновых изображений 10 категорий моды, для задач классификации изображений.
• ImageNet: Крупномасштабный набор данных для обнаружения объектов и классификации изображений, содержащий более 14 миллионов изображений и 20 000 категорий.
• ImageNet-10: уменьшенное подмножество ImageNet с 10 категориями для более быстрого проведения экспериментов и тестирования.
• Imagenette: Уменьшенное подмножество ImageNet, которое содержит 10 легко различимых классов для более быстрого обучения и тестирования.
• Imagewoof: Более сложное подмножество ImageNet, содержащее 10 категорий пород собак для задач классификации изображений.
• MNIST: Набор данных из 70 000 полутоновых изображений рукописных цифр для задач классификации изображений.

Добавление собственного набора данных

Если у тебя есть свой собственный набор данных и ты хочешь использовать его для обучения классификационных моделей с помощью Ultralytics, убедись, что он соответствует формату, указанному выше в разделе "Формат набора данных", а затем укажи на нем свой data аргумент, указывающий на директорию набора данных.

ВОПРОСЫ И ОТВЕТЫ

Как структурировать набор данных для задач классификации YOLO ?

Чтобы структурировать свой набор данных для задач классификации Ultralytics YOLO , тебе следует придерживаться определенного формата разделения каталогов. Организуй свой набор данных в отдельные директории для train, test, и по желанию val. Каждая из этих директорий должна содержать подкаталоги, названные в честь каждого класса, с соответствующими изображениями внутри. Это способствует плавному процессу обучения и оценки. Для примера рассмотрим формат набора данных CIFAR-10:

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

Подробнее об этом читай в статье Структура набора данных для задач классификации YOLO .

Какие наборы данных поддерживаются Ultralytics YOLO для классификации изображений?

Ultralytics YOLO Поддерживает автоматическую загрузку нескольких наборов данных для классификации изображений, включая:

• Калтех 101
• Калтех 256
• СИФАР-10
• CIFAR-100
• Мода-МНИСТ
• ImageNet
• ImageNet-10
• Imagenette
• Imagewoof
• MNIST

Эти наборы данных структурированы таким образом, что их легко использовать с помощью YOLO. На странице каждого набора данных можно найти более подробную информацию о его структуре и применении.

Как добавить свой собственный набор данных для классификации изображений YOLO ?

Чтобы использовать свой собственный набор данных с Ultralytics YOLO , убедись, что он соответствует заданному формату директории, необходимому для задачи классификации, с отдельными train, test, и по желанию val каталоги и подкаталоги для каждого класса, содержащие соответствующие изображения. После того как твой набор данных будет правильно структурирован, укажи в меню data аргумент к корневому каталогу твоего набора данных при инициализации обучающего скрипта. Вот пример на Python:

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n-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 " Добавление собственного набора данных ".

Почему стоит использовать Ultralytics YOLO для классификации изображений?

Ultralytics YOLO предлагает несколько преимуществ для классификации изображений, включая:

• Предварительно обученные модели: Загружай предварительно обученные модели, например yolov8n-cls.pt чтобы запустить твой тренировочный процесс.
• Простота использования: простой API и команды CLI для обучения и оценки.
• Высокая производительность: Современная точность и скорость, идеальная для приложений, работающих в режиме реального времени.
• Поддержка множества наборов данных: Бесшовная интеграция с различными популярными наборами данных, такими как CIFAR-10, ImageNet и другими.
• Сообщество и поддержка: Доступ к обширной документации и активному сообществу для устранения неполадок и улучшений.

Для получения дополнительных сведений и реальных применений ты можешь изучить Ultralytics YOLO.

Как обучить модель, используя Ultralytics YOLO ?

Обучение модели, использующей Ultralytics YOLO , можно легко провести и на Python , и на CLI. Вот пример:

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n-cls.pt")  # load a pretrained model

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

# Start training from a pretrained *.pt model
yolo detect train data=path/to/data model=yolov8n-cls.pt epochs=100 imgsz=640

Эти примеры демонстрируют несложный процесс обучения модели YOLO с использованием любого из подходов. Для получения дополнительной информации посети раздел " Использование ".

Комментарии