Датасет ImageNet10#

20

imagenet10

ultralytics

publicClassify

ImageNet10 is Ultralytics' minimal classification smoke-test set containing one train and one validation image for each of ten ImageNet synsets. It intentionally retains WordNet IDs rather than friendly labels, providing a tiny check of folder-based loading, training, validation, and export paths.

210 classes110.3 KBSep 2, 2026

n01440764n01443537n01484850n01491361+6

Датасет ImageNet10 от Ultralytics (data="imagenet10") — это крошечная выборка из 24 изображений из ImageNet, охватывающая первые 10 классов, созданная для тестов непрерывной интеграции, проверок работоспособности и быстрой валидации пайплайнов обучения. В нем содержатся 12 изображений для обучения и 12 для валидации, организованных в той же структуре папок с синонимическими наборами WordNet, что и полный датасет, поэтому модель, которая обучается на ImageNet, без изменений обучается и на ImageNet10 — за секунды, а не за часы. Датасет предназначен для проверки работы пайплайна от начала до конца, а не для оценки точности.

Ключевые особенности#

• ImageNet10 содержит всего 24 изображения (12 для обучения и 12 для валидации), взятых из первых 10 классов ImageNet.
• Датасет организован в соответствии с иерархией WordNet, которая отражает структуру папок с синонимическими наборами для каждого класса в полном датасете ImageNet.
• Он специально создан для тестов непрерывной интеграции, проверок работоспособности и быстрой отладки пайплайнов обучения в задачах компьютерного зрения.
• Хотя датасет не предназначен для бенчмаркинга моделей, он позволяет быстро оценить базовую работоспособность и корректность модели.

Структура датасета#

ImageNet10 поставляется с предопределенным разбиением, включающим первые 10 классов полного датасета ImageNet (n01440764 tench — n01518878 ostrich):

Каждый из 10 классов представляет собой синонимический набор WordNet (набор терминов-синонимов), а изображения находятся в папках отдельных классов, названных по идентификаторам синонимических наборов, — это точная структура, которую ожидает классификационное обучение Ultralytics. Благодаря этому ImageNet10 служит компактной структурно точной заменой полного датасета при проверке того, что модель распознает ожидаемый формат папок.

Открой ImageNet10 на платформе Ultralytics, чтобы просмотреть изображения, сгруппированные по классам, увидеть распределение классов на вкладке Charts и клонировать датасет для обучения собственной модели в облаке.

Применения#

Датасет ImageNet10 полезен для быстрой проверки и отладки моделей и пайплайнов компьютерного зрения. Его небольшой размер позволяет быстро выполнять итерации, что делает его идеальным для тестов непрерывной интеграции и проверок работоспособности. Он также удобен для предварительной быстрой проверки новых моделей или изменений кода перед переходом к полномасштабным запускам с полным датасетом ImageNet.

Использование#

Чтобы протестировать классификационную модель на датасете ImageNet10 с размером изображения 224x224, используй приведенные ниже фрагменты кода. Полный список доступных аргументов смотри на странице обучения модели.

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="imagenet10", epochs=5, imgsz=224)

Примеры изображений и аннотаций#

Датасет ImageNet10 содержит подмножество изображений из исходного датасета ImageNet, выбранных для представления его первых 10 классов и создания разнообразного, но компактного ресурса для быстрого тестирования и оценки.

Пример демонстрирует разнообразие и сложность изображений в датасете ImageNet10, подчеркивая его полезность для проверок работоспособности и быстрой проверки моделей компьютерного зрения.

Цитирование и благодарности#

Если ты используешь датасет ImageNet10 в исследовательской или разработческой работе, пожалуйста, процитируй оригинальную статью об ImageNet:

@article{ILSVRC15,
         author = {Olga Russakovsky and Jia Deng and Hao Su and Jonathan Krause and Sanjeev Satheesh and Sean Ma and Zhiheng Huang and Andrej Karpathy and Aditya Khosla and Michael Bernstein and Alexander C. Berg and Li Fei-Fei},
         title={ImageNet Large Scale Visual Recognition Challenge},
         year={2015},
         journal={International Journal of Computer Vision (IJCV)},
         volume={115},
         number={3},
         pages={211-252}
}

Мы хотели бы выразить признательность команде ImageNet, которой руководили Olga Russakovsky, Jia Deng и Li Fei-Fei, за создание и поддержку датасета ImageNet. Подмножество ImageNet10, созданное Ultralytics, представляет собой ценный ресурс для быстрой проверки и отладки в сообществе исследователей машинного обучения и компьютерного зрения. Дополнительную информацию о датасете ImageNet и его создателях можно найти на сайте ImageNet.

Часто задаваемые вопросы#