Набор данных ImageNet10

Набор данных ImageNet10 - это небольшое подмножество базы данных ImageNet, разработанное Ultralytics и предназначен для CI-тестов, проверки на вменяемость и быстрого тестирования обучающих конвейеров. Этот набор данных состоит из первого изображения из обучающего набора и первого изображения из валидационного набора первых 10 классов ImageNet. Хотя он значительно меньше, в нем сохранилась структура и разнообразие оригинального набора данных ImageNet.

Основные характеристики

• ImageNet10 - это компактная версия ImageNet, в которой 20 изображений представляют первые 10 классов оригинального набора данных.
• Набор данных организован в соответствии с иерархией WordNet, зеркально отражая структуру полного набора данных ImageNet.
• Он идеально подходит для CI-тестирования, проверки правильности и быстрого тестирования обучающих конвейеров в задачах компьютерного зрения.
• Хотя он не предназначен для бенчмаркинга моделей, он может дать быстрое представление о базовой функциональности и корректности модели.

Структура набора данных

Набор данных ImageNet10, как и оригинальный ImageNet, организован с использованием иерархии WordNet. Каждый из 10 классов в ImageNet10 описывается синсетами (коллекцией синонимичных терминов). Изображения в ImageNet10 аннотированы одним или несколькими синсетами, что обеспечивает компактный ресурс для тестирования моделей распознавания различных объектов и их отношений.

Приложения

Набор данных ImageNet10 полезен для быстрого тестирования и отладки моделей и конвейеров компьютерного зрения. Его небольшой размер позволяет быстро проводить итерации, что делает его идеальным для тестов непрерывной интеграции и проверок на вменяемость. Его также можно использовать для быстрого предварительного тестирования новых моделей или изменений в существующих моделях, прежде чем переходить к полномасштабному тестированию с полным набором данных ImageNet.

Использование

Чтобы протестировать модель глубокого обучения на наборе данных ImageNet10 с размером изображения 224x224, ты можешь воспользоваться следующими фрагментами кода. Полный список доступных аргументов смотри на странице " Обучение модели".

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

# Start training from a pretrained *.pt model
yolo train data=imagenet10 model=yolov8n-cls.pt epochs=5 imgsz=224

Примеры изображений и аннотаций

Набор данных ImageNet10 содержит подмножество изображений из оригинального набора данных ImageNet. Эти изображения выбраны таким образом, чтобы представлять первые 10 классов в наборе данных, обеспечивая разнообразный, но компактный набор данных для быстрого тестирования и оценки.

Этот пример демонстрирует разнообразие и сложность изображений в наборе данных ImageNet10, подчеркивая его полезность для проверки на вменяемость и быстрого тестирования моделей компьютерного зрения.

Цитаты и благодарности

Если ты используешь набор данных ImageNet10 в своих исследованиях или разработках, пожалуйста, ссылайся на оригинальную статью 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 благодарность команде ImageNet под руководством Ольги Руссаковской, Цзя Денга и Ли Фей-Фея за создание и поддержку набора данных ImageNet. Набор данных ImageNet10, хотя и является компактным подмножеством, представляет собой ценный ресурс для быстрого тестирования и отладки в сообществе исследователей машинного обучения и компьютерного зрения. Чтобы узнать больше о наборе данных ImageNet и его создателях, посети сайт ImageNet.

Комментарии