Набор данных ImageNette#

13,394

Imagenette

ultralytics

publicClassify

Imagenette is fast.ai's reviewed 10-class ImageNet subset with 13,394 unique images: 9,469 train and 3,925 validation. Its human-readable taxonomy covers tench, English springer, cassette player, chain saw, church, French horn, garbage truck, gas pump, golf ball, and parachute. ImageNet-derived imagery is provided for non-commercial research and educational use.

10 classes944.7 MBAug 21, 2026

tenchEnglish springercassette playerchain saw+6

image-classificationimagenetteimagenet+1

Датасет ImageNette представляет собой подмножество ImageNet с 10 легко различимыми классами, созданное fast.ai, чтобы предоставить более быструю и удобную в использовании версию ImageNet для разработки программного обеспечения и обучения. Он содержит 13 394 цветных изображения (9469 для обучения и 3925 для валидации), охватывающих такие классы, как линь, английский спрингер, кассетный плеер и валторна, благодаря чему модели image classification обучаются за считанные минуты, а не за часы, требующиеся для полного набора данных ImageNet из 1000 классов.

Ключевые особенности#

• ImageNette содержит 13 394 изображения в 10 классах: линь, английский спрингер, кассетный магнитофон, бензопила, церковь, валторна, мусоровоз, бензоколонка, мяч для гольфа и парашют.
• Он поставляется с предопределенным разделением на 9 469 цветных обучающих и 3 925 проверочных изображений различных размеров.
• 10 хорошо различимых классов делают ImageNette удобным для быстрой тренировки и простого анализа, поэтому он широко используется для прототипирования и обучения классификации изображений.

Структура набора данных#

ImageNette поставляется с предопределенным разделением на обучение/проверку, при этом каждый класс хранится в своей отдельной папке:

Точное количество изображений варьируется в зависимости от класса, обеспечивая реалистичное распределение для быстрого обучения и тестирования без масштабов полного набора данных ImageNet.

Применение#

Датасет ImageNette широко используется для обучения и оценки моделей deep learning в задачах классификации изображений, таких как Convolutional Neural Networks (CNN) и другие алгоритмы машинного обучения. Его простой формат и тщательно подобранные классы делают его удобным ресурсом как для начинающих, так и для опытных специалистов в области machine learning и computer vision.

Использование#

Чтобы обучить модель на датасете ImageNette в течение 100 epochs со стандартным размером изображения 224x224, ты можешь использовать следующие фрагменты кода. Полный список доступных аргументов см. на странице Training 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 аннотации#

Датасет ImageNette содержит цветные изображения различных объектов и сцен, представляя собой разнообразный набор данных для задач image classification. Вот несколько примеров изображений из датасета:

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

ImageNette160 и ImageNette320#

Для более быстрого прототипирования и обучения ImageNette также доступен в двух уменьшенных размерах: ImageNette160 и ImageNette320. Эти датасеты сохраняют те же классы и структуру, что и полный ImageNette, но изображения в них изменены до меньшей максимальной длины стороны. Они особенно полезны для предварительного тестирования моделей или при ограниченности вычислительных ресурсов.

Чтобы использовать эти датасеты, просто замени imagenette на imagenette160 или imagenette320 в команде обучения. Следующие фрагменты кода иллюстрируют это:

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, обеспечивая при этом реалистичные задачи классификации изображений. Ты также можешь управлять датасетами классификации и запускать обучение в облаке с помощью Ultralytics Platform.

Цитирование и благодарности#

Если ты используешь датасет ImageNette в своих исследованиях или разработке, пожалуйста, укажи соответствующую ссылку. Для получения дополнительной информации об ImageNette посети страницу датасета ImageNette на GitHub.

Мы хотели бы выразить признательность команде fast.ai за создание и поддержку ImageNette в качестве ценного ресурса для исследовательского сообщества machine learning и computer vision.

FAQ#