Link to this sectionНабор данных ImageNet10#
Набор данных Ultralytics ImageNet10 (data="imagenet10") — это крошечное подмножество ImageNet из 24 изображений, охватывающее его первые 10 классов. Он создан для тестов непрерывной интеграции (CI), проверок на работоспособность и быстрой валидации конвейеров обучения. Он содержит 12 тренировочных и 12 валидационных изображений, организованных в той же структуре папок WordNet-synset, что и полный набор данных, поэтому модель, которая обучается на ImageNet, будет обучаться на ImageNet10 без изменений — за секунды, а не за часы. Он предназначен для проверки того, что конвейер работает от начала до конца, а не для оценки точности.
Link to this sectionКлючевые особенности#
- ImageNet10 содержит всего 24 изображения (12 тренировочных, 12 валидационных), взятых из первых 10 классов ImageNet.
- Набор данных организован в соответствии с иерархией WordNet, повторяя структуру папок synset для каждого класса из полного набора данных ImageNet.
- Он специально создан для тестов непрерывной интеграции, проверок на работоспособность и быстрой отладки конвейеров обучения в задачах компьютерного зрения.
- Хотя он не предназначен для бенчмаркинга моделей, он дает быстрое представление об основных функциональных возможностях и корректности работы модели.
Link to this sectionСтруктура набора данных#
ImageNet10 поставляется с предопределенным разделением, используя первые 10 классов полного набора данных ImageNet (от n01440764 tench до n01518878 ostrich):
| Split | Изображения | Классы |
|---|---|---|
| Обучение | 12 | 10 |
| Validation | 12 | 10 |
Каждый из 10 классов представляет собой synset WordNet (набор синонимичных терминов), а изображения находятся в папках для каждого класса, названных по ID synset — это именно та структура, которую ожидает обучение классификации Ultralytics. Это делает ImageNet10 компактной и структурно достоверной заменой полного набора данных при тестировании того, распознает ли модель ожидаемый формат папок.
Изучи ImageNet10 на платформе Ultralytics, чтобы просмотреть изображения, сгруппированные по классам, увидеть распределение классов на вкладке Charts и клонировать его для обучения собственной модели в облаке.
Link to this sectionПрименение#
Набор данных ImageNet10 полезен для быстрого тестирования и отладки моделей компьютерного зрения и конвейеров. Его небольшой размер позволяет быстро выполнять итерации, что делает его идеальным для тестов непрерывной интеграции и проверок на работоспособность. Он также удобен для быстрого предварительного тестирования новых моделей или изменений кода перед переходом к полномасштабным запускам с использованием полного набора данных ImageNet.
Link to this sectionИспользование#
Чтобы протестировать модель классификации на наборе данных ImageNet10 при размере изображения 224x224, используй приведенные ниже фрагменты кода. Полный список доступных аргументов можно найти на странице Обучение 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)Link to this sectionПримеры изображений и аннотации#
Набор данных ImageNet10 содержит подмножество изображений из исходного набора данных ImageNet, выбранных для представления первых 10 классов и обеспечивающих разнообразный, но компактный ресурс для быстрого тестирования и оценки.
Пример демонстрирует разнообразие и сложность изображений в наборе данных ImageNet10, подчеркивая его полезность для проверок на работоспособность и быстрого тестирования моделей компьютерного зрения.
Link to this sectionЦитирование и благодарности#
Если ты используешь набор данных ImageNet10 в своих исследованиях или разработках, пожалуйста, сошлися на 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 поблагодарить команду ImageNet во главе с Ольгой Руссаковской, Цзя Дэн и Ли Фэй-Фэй за создание и поддержку набора данных ImageNet. Подмножество ImageNet10, созданное Ultralytics, является ценным ресурсом для быстрого тестирования и отладки в сообществе исследователей машинного обучения и компьютерного зрения. Для получения дополнительной информации о наборе данных ImageNet и его создателях посети веб-сайт ImageNet.
Link to this sectionFAQ#
Link to this sectionЧто такое набор данных ImageNet10 и чем он отличается от полного набора данных ImageNet?#
Набор данных ImageNet10 — это компактное подмножество базы данных ImageNet, созданное Ultralytics для быстрых CI-тестов, проверок на работоспособность и оценки конвейеров обучения. Он содержит 24 изображения (12 для тренировки и 12 для валидации) из первых 10 классов ImageNet. Несмотря на небольшой размер, он сохраняет структуру папок WordNet полного набора данных, что делает его идеальным для быстрой проверки конвейера, но не для оценки точности модели.
Link to this sectionСколько изображений и классов содержит ImageNet10?#
ImageNet10 содержит всего 24 изображения — 12 для тренировки и 12 для валидации, распределенных по первым 10 классам ImageNet. Каждый класс — это synset WordNet, хранящийся в своей папке, поэтому набор данных повторяет структуру полного набора данных ImageNet, будучи значительно меньше по объему.
Link to this sectionКак я могу использовать набор данных ImageNet10 для тестирования своей модели глубокого обучения?#
Чтобы протестировать свою модель классификации на ImageNet10 при размере изображения 224x224, используй следующие фрагменты кода.
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)Обратись к странице Обучение для получения полного списка доступных аргументов.
Link to this sectionПочему мне стоит использовать набор данных ImageNet10 для CI-тестов и проверок на работоспособность?#
ImageNet10 разработан специально для CI-тестов, проверок на работоспособность и быстрых оценок в конвейерах глубокого обучения. Размер в 24 изображения позволяет проводить итерации почти мгновенно, что делает его идеальным для непрерывной интеграции, где скорость имеет решающее значение. Сохраняя структуру папок полного набора данных ImageNet, он обеспечивает надежную проверку основных функций и корректности модели без необходимости обработки большого объема данных.
Link to this sectionКак ImageNet10 соотносится с другими небольшими наборами данных, такими как ImageNette?#
Хотя и ImageNet10, и ImageNette являются подмножествами ImageNet, они служат разным целям. ImageNet10 содержит всего 24 изображения из первых 10 классов, что делает его чрезвычайно легким для CI-тестирования и быстрой проверки работоспособности. В отличие от него, ImageNette содержит более 13 000 изображений из 10 легко различимых классов, что делает его подходящим для полноценного обучения и разработки моделей. ImageNet10 проверяет функциональность конвейера, тогда как ImageNette лучше подходит для значимых, но более быстрых, чем на полном ImageNet, экспериментов по обучению.