Датасет ImageNette#

13,394

Imagenette

ultralytics

publicClassify

Imagenette is fast.ai's ten-class ImageNet subset designed for faster classification experiments. Its human-readable classes include tench, English springer, church, chain saw, French horn, garbage truck, gas pump, golf ball, parachute, and cassette player.

10 classes944.7 MBSep 2, 2026

tenchEnglish springercassette playerchain saw+6

image-classificationimagenetteimagenet+1

Датасет ImageNette — это подмножество ImageNet с 10 легко различимыми классами, созданное командой fast.ai, чтобы предоставить более быструю и удобную версию ImageNet для разработки программного обеспечения и обучения. Он содержит 13 394 цветных изображения — 9 469 для обучения и 3 925 для валидации — и охватывает такие классы, как линь, английский спрингер-спаниель, кассетный проигрыватель и валторна, поэтому модели классификации изображений обучаются за минуты, а не за часы, необходимые для полного ImageNet с 1 000 классами.

Ключевые особенности#

• ImageNette содержит 13 394 изображения 10 классов: линь, английский спрингер-спаниель, кассетный проигрыватель, бензопила, церковь, валторна, мусоровоз, бензоколонка, мяч для гольфа и парашют.
• В датасете предусмотрено разделение на 9 469 цветных изображений для обучения и 3 925 для валидации с различными разрешениями.
• 10 хорошо разделённых классов делают ImageNette быстрым для обучения и удобным для анализа, поэтому его широко используют для прототипирования и обучения классификации изображений.

Структура датасета#

ImageNette поставляется с заранее заданным разделением на обучающую и валидационную выборки, при этом каждый класс хранится в отдельной папке:

Точное количество изображений различается для разных классов, что обеспечивает реалистичное распределение для быстрого обучения и бенчмаркинга без масштаба полного датасета ImageNet.

Применения#

Датасет ImageNette широко используется для обучения и оценки моделей глубокого обучения в задачах классификации изображений, например свёрточных нейронных сетей (CNNs) и других алгоритмов машинного обучения. Его простой формат и удачно подобранные классы делают его удобным ресурсом как для начинающих, так и для опытных специалистов в области машинного обучения и компьютерного зрения.

Использование#

Чтобы обучить модель на датасете ImageNette в течение 100 эпох со стандартным размером изображения 224x224, можно использовать следующие фрагменты кода. Полный список доступных аргументов приведён 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="imagenette", epochs=100, imgsz=224)

Примеры изображений и аннотаций#

Датасет ImageNette содержит цветные изображения различных объектов и сцен, предоставляя разнообразный набор данных для задач классификации изображений. Ниже приведены примеры изображений из датасета:

Этот пример демонстрирует разнообразие и сложность изображений в датасете ImageNette, подчёркивая важность разнообразного набора данных для обучения устойчивых моделей классификации изображений.

ImageNette160 и ImageNette320#

Для более быстрого прототипирования и обучения ImageNette также доступен в двух уменьшенных вариантах: ImageNette160 и ImageNette320. Эти датасеты сохраняют те же классы и структуру, что и полный ImageNette, но изображения в них имеют меньшую максимальную длину стороны. Они особенно полезны для предварительного тестирования моделей или при ограниченных вычислительных ресурсах.

Чтобы использовать эти датасеты, просто замените imagenette на imagenette160 или imagenette320 в команде обучения. Ниже приведены соответствующие фрагменты кода:

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n-cls.pt")  # load a pretrained model (recommended for training)

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

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n-cls.pt")  # load a pretrained model (recommended for training)

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

Эти уменьшенные версии датасета позволяют быстро выполнять итерации в процессе разработки, сохраняя при этом реалистичные задачи классификации изображений. Ты также можешь управлять датасетами для классификации и запускать обучение в облаке с помощью Ultralytics Platform.

Цитирование и благодарности#

Если ты используешь датасет ImageNette в исследовательской или разработческой работе, укажи его в соответствии с требованиями. Дополнительную информацию об ImageNette смотри на странице датасета ImageNette на GitHub.

Мы хотели бы отметить команду fast.ai за создание и поддержку ImageNette как ценного ресурса для исследовательского сообщества в области машинного обучения и компьютерного зрения.

Часто задаваемые вопросы#