Набор данных ImageNette

Набор данных ImageNette является подмножеством более крупного набора данных Imagenet, но включает в себя только 10 легко различимых классов. Он был создан, чтобы предоставить более быструю и простую в использовании версию Imagenet для разработки программного обеспечения и обучения.

Основные характеристики

• ImageNette содержит изображения из 10 различных классов, таких как линь, спрингер English , кассетный плеер, бензопила, церковь, валторна, мусоровоз, бензонасос, мяч для гольфа, парашют.
• Набор данных состоит из цветных изображений разного размера.
• ImageNette широко используется для обучения и тестирования в области машинного обучения, особенно для задач классификации изображений.

Структура набора данных

Набор данных ImageNette разделен на два подмножества:

1. Обучающий набор: Это подмножество содержит несколько тысяч изображений, используемых для обучения моделей машинного обучения. Точное количество зависит от класса.
2. Набор для проверки: Это подмножество состоит из нескольких сотен изображений, используемых для проверки и тестирования обученных моделей. Точное количество варьируется в зависимости от класса.

Приложения

Набор данных ImageNette широко используется для обучения и оценки моделей глубокого обучения в задачах классификации изображений, таких как конволюционные нейронные сети (CNN) и различные другие алгоритмы машинного обучения. Простой формат набора данных и хорошо подобранные классы делают его удобным ресурсом как для начинающих, так и для опытных практиков в области машинного обучения и компьютерного зрения.

Использование

Для обучения модели на наборе данных ImageNette в течение 100 эпох со стандартным размером изображения 224x224 можно использовать следующие фрагменты кода. Полный список доступных аргументов см. на странице обучения модели.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n-cls.pt")  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data="imagenette", epochs=100, imgsz=224)

# Start training from a pretrained *.pt model
yolo classify train data=imagenette model=yolo11n-cls.pt epochs=100 imgsz=224

Образцы изображений и аннотаций

Набор данных ImageNette содержит цветные изображения различных объектов и сцен, предоставляя разнообразный набор данных для задач классификации изображений. Вот несколько примеров изображений из этого набора:

Этот пример демонстрирует разнообразие и сложность изображений в наборе данных ImageNette, подчеркивая важность разнообразных наборов данных для обучения надежных моделей классификации изображений.

ImageNette160 и ImageNette320

Для более быстрого создания прототипов и обучения набор данных ImageNette также доступен в двух уменьшенных размерах: ImageNette160 и ImageNette320. В этих наборах данных сохраняются те же классы и структура, что и в полном наборе данных ImageNette, но размер изображений уменьшен. Таким образом, эти версии наборов данных особенно полезны для предварительного тестирования моделей или при ограниченных вычислительных ресурсах.

Чтобы использовать эти наборы данных, просто замените 'imagenette' на 'imagenette160' или 'imagenette320' в команде обучения. Следующие фрагменты кода иллюстрируют это:

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n-cls.pt")  # load a pretrained model (recommended for training)

# Train the model with ImageNette160
results = model.train(data="imagenette160", epochs=100, imgsz=160)

# Start training from a pretrained *.pt model with ImageNette160
yolo classify train data=imagenette160 model=yolo11n-cls.pt epochs=100 imgsz=160

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n-cls.pt")  # load a pretrained model (recommended for training)

# Train the model with ImageNette320
results = model.train(data="imagenette320", epochs=100, imgsz=320)

# Start training from a pretrained *.pt model with ImageNette320
yolo classify train data=imagenette320 model=yolo11n-cls.pt epochs=100 imgsz=320

Такие уменьшенные версии наборов данных позволяют быстро проводить итерации в процессе разработки, при этом обеспечивая выполнение ценных и реалистичных задач классификации изображений.

Цитаты и благодарности

Если вы используете набор данных ImageNette в своих исследованиях или разработках, пожалуйста, укажите это соответствующим образом. Для получения дополнительной информации о наборе данных ImageNette посетите страницу ImageNette dataset GitHub.

ЧАСТО ЗАДАВАЕМЫЕ ВОПРОСЫ

Что представляет собой набор данных ImageNette?

Набор данных ImageNette - это упрощенное подмножество большого набора данных ImageNet, включающее всего 10 легко различимых классов, таких как линь, спрингер English и валторна. Он был создан, чтобы предложить более управляемый набор данных для эффективного обучения и оценки моделей классификации изображений. Этот набор данных особенно полезен для быстрой разработки программного обеспечения и образовательных целей в области машинного обучения и компьютерного зрения.

Как использовать набор данных ImageNette для обучения модели YOLO ?

Чтобы обучить модель YOLO на наборе данных ImageNette в течение 100 эпох, можно использовать следующие команды. Убедитесь, что установлено окружение Ultralytics YOLO .

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n-cls.pt")  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data="imagenette", epochs=100, imgsz=224)

# Start training from a pretrained *.pt model
yolo classify train data=imagenette model=yolo11n-cls.pt epochs=100 imgsz=224

Более подробную информацию см. на странице документации по обучению.

Почему стоит использовать ImageNette для решения задач классификации изображений?

Набор данных ImageNette выгоден по нескольким причинам:

• Быстрота и простота: Он содержит всего 10 классов, что делает его менее сложным и трудоемким по сравнению с большими наборами данных.
• Использование в образовательных целях: Идеально подходит для изучения и преподавания основ классификации изображений, поскольку требует меньше вычислительных мощностей и времени.
• Универсальность: Широко используется для обучения и тестирования различных моделей машинного обучения, особенно в классификации изображений.

Для получения более подробной информации об обучении модели и управлении набором данных изучите раздел " Структура набора данных".

Можно ли использовать набор данных ImageNette с изображениями разных размеров?

Да, набор данных ImageNette также доступен в двух уменьшенных версиях: ImageNette160 и ImageNette320. Эти версии помогают быстрее создавать прототипы и особенно полезны при ограниченных вычислительных ресурсах.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n-cls.pt")

# Train the model with ImageNette160
results = model.train(data="imagenette160", epochs=100, imgsz=160)

# Start training from a pretrained *.pt model with ImageNette160
yolo detect train data=imagenette160 model=yolo11n-cls.pt epochs=100 imgsz=160

Дополнительную информацию см. в разделе Обучение работе с ImageNette160 и ImageNette320.

Каковы некоторые практические применения набора данных ImageNette?

Набор данных ImageNette широко используется в:

• Образовательные цели: Для обучения новичков машинному обучению и компьютерному зрению.
• Разработка программного обеспечения: Для быстрого создания прототипов и разработки моделей классификации изображений.
• Исследование глубокого обучения: Оценка и тестирование производительности различных моделей глубокого обучения, особенно конволюционных нейронных сетей (CNN).

Изучите раздел "Приложения", чтобы узнать подробные примеры использования.

📅 Создано 1 год назад ✏️ Обновлено 1 месяц назад

Комментарии