Link to this sectionНабор данных ImageNette#
Набор данных ImageNette — это подмножество ImageNet, состоящее из 10 легко различимых классов. Он был создан fast.ai, чтобы предоставить более быструю и простую в использовании версию ImageNet для разработки программного обеспечения и обучения. Он содержит 13 394 цветных изображения — 9 469 для обучения и 3 925 для проверки — охватывающих такие классы, как линь, английский спрингер, кассетный магнитофон и валторна, благодаря чему модели классификации изображений обучаются за считанные минуты, а не за часы, требуемые для полного набора ImageNet из 1 000 классов.
Link to this sectionКлючевые 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.
Link to this sectionСтруктура набора данных#
ImageNette поставляется с предопределенным разделением на обучение/проверку, при этом каждый класс хранится в своей отдельной папке:
| Split | Изображения | Классы |
|---|---|---|
| Обучение | 9 469 | 10 |
| Validation | 3 925 | 10 |
Точное количество изображений варьируется в зависимости от класса, обеспечивая реалистичное распределение для быстрого обучения и тестирования без масштабов полного набора данных ImageNet.
Link to this sectionПрименение#
Набор данных ImageNette широко используется для обучения и оценки моделей глубинного обучения в задачах классификации изображений, таких как сверточные нейронные сети (CNN) и другие алгоритмы машинного обучения. Его простой формат и удачно подобранные классы делают его полезным ресурсом как для начинающих, так и для опытных специалистов в области машинного обучения и компьютерного зрения.
Link to this sectionИспользование#
Чтобы обучить модель на наборе данных ImageNette в течение 100 эпох при стандартном размере изображения 224x224, ты можешь использовать следующие фрагменты кода. Полный список доступных аргументов смотри 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)Link to this sectionПримеры изображений и аннотации#
Набор данных ImageNette содержит цветные изображения различных объектов и сцен, обеспечивая разнообразную выборку для задач классификации изображений. Вот несколько примеров изображений из набора данных:
Этот пример демонстрирует разнообразие и сложность изображений в наборе данных ImageNette, подчеркивая важность разнообразного набора данных для обучения надежных моделей классификации изображений.
Link to this sectionImageNette160 и ImageNette320#
Для более быстрого прототипирования и обучения ImageNette также доступен в двух уменьшенных размерах: ImageNette160 и ImageNette320. Эти наборы данных сохраняют те же классы и структуру, что и полный ImageNette, но изображения изменены до меньшей максимальной длины края. Они особенно полезны для предварительного тестирования моделей или в случаях, когда вычислительные ресурсы ограничены.
Чтобы использовать эти наборы данных, просто замени imagenette на imagenette160 или imagenette320 в команде обучения. Следующие фрагменты кода это иллюстрируют:
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 набора данных позволяют быстро проводить итерации во время разработки, предоставляя при этом реалистичные задачи классификации изображений. Ты также можешь управлять наборами данных классификации и запускать обучение в облаке с помощью Ultralytics Platform.
Link to this sectionЦитирование и благодарности#
Если ты используешь набор данных ImageNette в своей исследовательской работе или разработке, пожалуйста, укажи его соответствующим образом. Для получения дополнительной информации об ImageNette посети страницу набора данных ImageNette на GitHub.
Мы хотели бы поблагодарить команду fast.ai за создание и поддержку ImageNette как ценного ресурса для сообщества исследователей в области машинного обучения и компьютерного зрения.
Link to this sectionFAQ#
Link to this sectionЧто такое набор данных ImageNette?#
Набор данных ImageNette — это упрощенное подмножество ImageNet с 10 легко различимыми классами, такими как линь, английский спрингер и валторна. Он содержит 13 394 изображения (9 469 для обучения и 3 925 для проверки) и был создан fast.ai, чтобы предложить более управляемый набор данных для эффективного обучения и оценки моделей классификации изображений. Это делает его особенно полезным для быстрой разработки программного обеспечения и образовательных целей в области машинного обучения и компьютерного зрения.
Link to this sectionСколько изображений и классов в ImageNette?#
ImageNette содержит 13 394 изображения в общей сложности — 9 469 для обучения и 3 925 для проверки — по 10 классам: линь, английский спрингер, кассетный магнитофон, бензопила, церковь, валторна, мусоровоз, бензоколонка, мяч для гольфа и парашют. Каждый класс хранится в своей собственной папке в соответствии со стандартной структурой классификации, которую ожидает Ultralytics.
Link to this sectionКак я могу использовать набор данных ImageNette для обучения модели YOLO?#
Чтобы обучить модель YOLO на ImageNette в течение 100 эпох, используй следующие команды. Убедись, что среда Ultralytics YOLO у тебя настроена.
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)Для получения более подробной информации смотри страницу документации обучения.
Link to this sectionПочему мне стоит использовать ImageNette для задач классификации изображений?#
Набор данных ImageNette выгоден по нескольким причинам:
- Быстро и просто: Имея всего 10 классов и около 13 000 изображений, он гораздо менее сложен и требует меньше времени на обучение, чем полный ImageNet.
- Образовательное использование: Идеально подходит для изучения и преподавания основ классификации изображений, так как требует меньше вычислительной мощности и времени.
- Универсальность: Широко используется для обучения и оценки моделей классификации изображений, особенно сверточных нейронных сетей (CNN).
Для получения более подробной информации об обучении моделей и управлении наборами данных изучи раздел Структура набора данных.
Link to this sectionМожно ли использовать набор данных ImageNette с изображениями разных размеров?#
Да, ImageNette также доступен в двух измененных версиях, ImageNette160 и ImageNette320, изображения в которых уменьшены до меньшей максимальной длины края. Эти версии помогают при быстром прототипировании и особенно полезны, когда вычислительные ресурсы ограничены.
from ultralytics import YOLO
# Load a model
model = YOLO("yolo26n-cls.pt")
# Train the model with ImageNette160
results = model.train(data="imagenette160", epochs=100, imgsz=160)Для получения дополнительной информации обратись к разделу Обучение с ImageNette160 и ImageNette320.
Link to this sectionКаковы практические применения набора данных ImageNette?#
Набор данных ImageNette широко используется в:
- Образовательных средах: Чтобы обучать новичков основам машинного обучения и компьютерного зрения.
- Разработке программного обеспечения: Для быстрого прототипирования и разработки моделей классификации изображений.
- Исследованиях в области глубинного обучения: Для оценки и тестирования производительности различных моделей глубинного обучения, особенно сверточных нейронных сетей (CNN).
Изучи раздел Применения для получения подробных сценариев использования.