Набор данных ImageWoof#
Датасет ImageWoof представляет собой подмножество ImageNet, состоящее из 10 пород собак, которые намеренно трудно различить. Он создан fast.ai в качестве более сложной задачи для алгоритмов image classification. Он содержит 12 954 цветных изображения (9 025 для обучения и 3 929 для валидации) таких пород, как бигль, ши-тцу и золотистый ретривер, заставляя модели различать тонкие мелкозернистые различия, а не очевидные категории объектов.
Ключевые особенности#
- ImageWoof содержит 12 954 изображения 10 пород собак: австралийский терьер, бордер-терьер, самоед, бигль, ши-тцу, английский фоксхаунд, родезийский риджбек, динго, золотистый ретривер и староанглийская овчарка.
- Он поставляется с предопределенным разделением на 9 025 изображений для обучения и 3 929 для валидации, доступными в различных разрешениях (полный размер, 320px, 160px) для соответствия разным вычислительным ресурсам.
- Он также включает версию с зашумленными метками, предоставляя более реалистичный сценарий, в котором метки не всегда надежны.
Структура набора данных#
ImageWoof поставляется с предопределенным разделением на обучающую и валидационную выборки, при этом каждая порода собак хранится в своей отдельной папке:
| Split | Изображения | Классы |
|---|---|---|
| Обучение | 9,025 | 10 |
| Validation | 3,929 | 10 |
Поскольку все 10 классов — это породы собак, разделение предназначено для тестирования тонкой классификации — различения визуально похожих категорий — а не для широкого распознавания объектов, как в полном наборе данных ImageNet.
Применение#
Датасет ImageWoof широко используется для обучения и оценки моделей deep learning на более сложных и похожих классах. Его сложность заключается в тонких различиях между породами собак, что расширяет границы производительности и обобщения моделей. Он особенно полезен для:
- Бенчмаркинга точности классификации на категориях с мелкими деталями
- Тестирования устойчивости модели к похожим классам
- Разработки алгоритмов, способных различать тонкие визуальные различия
- Оценки переноса обучения с общих доменов на специфические
Использование#
Чтобы обучить модель классификации на датасете ImageWoof в течение 100 epochs с размером изображения 224x224, используй приведенные ниже фрагменты кода. Полный список доступных аргументов см. на странице модели Training.
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="imagewoof", epochs=100, imgsz=224)Варианты набора данных#
ImageWoof представлен в трех размерах для удовлетворения различных исследовательских потребностей и вычислительных бюджетов:
- Full Size (
imagewoof): Оригинальная версия с полноразмерными изображениями, идеально подходящая для финального обучения и бенчмаркинга производительности. - Medium Size (
imagewoof320): Изображения, измененные до максимальной длины стороны 320 пикселей, подходящие для более быстрого обучения без существенного снижения производительности модели. - Small Size (
imagewoof160): Изображения, измененные до максимальной длины стороны 160 пикселей, предназначенные для быстрого прототипирования и экспериментов, где скорость обучения является приоритетом.
Чтобы использовать эти варианты, просто замени imagewoof в аргументе датасета на imagewoof320 или imagewoof160. Например:
from ultralytics import YOLO
# Load a model
model = YOLO("yolo26n-cls.pt") # load a pretrained model (recommended for training)
# For medium-sized dataset
model.train(data="imagewoof320", epochs=100, imgsz=224)
# For small-sized dataset
model.train(data="imagewoof160", epochs=100, imgsz=224)Обрати внимание, что изображения меньшего размера, скорее всего, дадут меньшую accuracy классификации, но они являются отличным способом быстрого итерационного процесса на ранних этапах разработки модели. Ты также можешь управлять датасетами классификации и запускать обучение в облаке с помощью Ultralytics Platform.
Примеры изображений и аннотации#
Набор данных ImageWoof содержит красочные изображения различных пород собак, предоставляя сложный набор данных для задач классификации изображений. Вот несколько примеров изображений из этого набора:
Этот пример демонстрирует тонкие различия и сходства между различными породами собак, подчеркивая сложность и трудность задачи классификации.
Цитирование и благодарности#
Если ты используешь датасет ImageWoof в своих исследованиях или разработке, пожалуйста, укажи авторов датасета, сославшись на official dataset repository.
Мы хотели бы поблагодарить команду fast.ai за создание и поддержку ImageWoof в качестве ценного ресурса для исследовательского сообщества machine learning и computer vision. Для получения дополнительной информации об ImageWoof посети ImageWoof dataset repository.
FAQ#
Датасет ImageWoof — это сложное подмножество ImageNet, посвященное 10 породам собак, содержащее 12 954 изображения (9 025 для обучения и 3 929 для валидации). Созданный fast.ai для раздвижения границ моделей классификации изображений, он включает в себя такие породы, как бигль, ши-тцу и золотистый ретривер. Датасет доступен в различных разрешениях (полный размер, 320px, 160px) и даже включает зашумленные метки для более реалистичных сценариев обучения, что делает его идеальным для разработки передовых моделей глубокого обучения.
ImageWoof содержит 12 954 изображения — 9 025 для обучения и 3 929 для валидации — 10 пород собак: австралийский терьер, бордер-терьер, самоед, бигль, ши-тцу, английский фоксхаунд, родезийский риджбек, динго, золотистый ретривер и староанглийская овчарка. Каждая порода хранится в своей собственной папке, следуя стандартной структуре классификации, ожидаемой Ultralytics.
Чтобы обучить модель классификации на наборе данных ImageWoof с помощью Ultralytics YOLO в течение 100 эпох при размере изображения 224x224, используй следующий код:
Пример обученияfrom ultralytics import YOLO model = YOLO("yolo26n-cls.pt") # Load a pretrained model results = model.train(data="imagewoof", epochs=100, imgsz=224)Для получения более подробной информации о доступных аргументах обучения обратись к странице Training.
Набор данных ImageWoof представлен в трех размерах:
- Full Size (
imagewoof): Идеально подходит для финального обучения и бенчмаркинга, содержит полноразмерные изображения. - Medium Size (
imagewoof320): Измененные изображения с максимальной длиной стороны 320 пикселей, подходящие для более быстрого обучения. - Small Size (
imagewoof160): Измененные изображения с максимальной длиной стороны 160 пикселей, идеально подходящие для быстрого прототипирования.
Используй эти версии, соответствующим образом заменив
imagewoofв аргументе датасета. Обрати внимание, что изображения меньшего размера могут давать меньшую accuracy классификации, но полезны для более быстрых итераций.- Full Size (
Зашумленные метки в наборе данных ImageWoof имитируют реальные условия, где метки не всегда точны. Обучение моделей на этих данных помогает развить устойчивость и обобщающую способность в задачах классификации изображений. Это подготавливает модели к эффективной работе с неоднозначными или неверно размеченными данными, с чем часто приходится сталкиваться на практике.
Основная сложность ImageWoof заключается в тонких различиях между включенными в него породами собак. Поскольку он сосредоточен на 10 близкородственных породах, их различение требует более продвинутых и тонко настроенных моделей классификации изображений. Это делает ImageWoof отличным бенчмарком для проверки возможностей и улучшений моделей deep learning.