Набор данных ImageWoof#

12,951

ImageWoof

ultralytics

publicClassify

ImageWoof is fast.ai's fine-grained ImageNet subset spanning ten visually similar dog breeds. It provides a compact but challenging classification benchmark for learning subtle differences in coat, head shape, body structure, pose, and background context.

10 classes884 MBSep 2, 2026

Shih-TzuRhodesian ridgebackBeagleEnglish foxhound+6

image-classificationimagewoofimagenet+2

Набор данных ImageWoof — это подмножество ImageNet из 10 намеренно трудноразличимых пород собак, созданное командой fast.ai как более сложное испытание для алгоритмов классификации изображений. Он содержит 12 954 цветных изображения — 9 025 для обучения и 3 929 для валидации — таких пород, как бигль, ши-тцу и золотистый ретривер. Это заставляет модели различать тонкие нюансы, а не очевидные категории объектов.

Основные особенности#

• ImageWoof содержит 12 954 изображения 10 пород собак: австралийский терьер, бордер-терьер, самоед, бигль, ши-тцу, английская гончая, родезийский риджбек, динго, золотистый ретривер и староанглийская овчарка.
• Набор включает заранее заданное разделение на 9 025 изображений для обучения и 3 929 для валидации, доступных в разных разрешениях (полный размер, 320px, 160px) для разных вычислительных бюджетов.
• Также доступна версия с зашумлёнными метками, которая позволяет моделировать более реалистичный сценарий, где метки не всегда надёжны.

Структура набора данных#

ImageWoof поставляется с заранее заданным разделением на обучающую и валидационную выборки; каждая порода собак хранится в отдельной папке:

Поскольку все 10 классов — это породы собак, разделение предназначено для проверки тонкой классификации, то есть различения визуально похожих категорий, а не широкого распознавания объектов, как в полном наборе данных ImageNet.

Применение#

Набор данных ImageWoof широко используется для обучения и оценки моделей глубокого обучения на более сложных и похожих классах. Сложность заключается в тонких различиях между породами собак, что позволяет проверять пределы производительности и обобщающей способности модели. Набор особенно полезен для:

• Сравнительной оценки классификации объектов тонких категорий
• Проверки устойчивости модели к похожим классам
• Разработки алгоритмов для различения тонких визуальных отличий
• Оценки переноса обучения из общих областей в специализированные

Использование#

Чтобы обучить модель классификации на наборе данных ImageWoof в течение 100 эпох с размером изображения 224x224, используй приведённые ниже фрагменты кода. Полный список доступных аргументов смотри на странице Обучение модели.

from ultralytics import YOLO

# Загрузить модель
model = YOLO("yolo26n-cls.pt")  # загрузить предварительно обученную модель (рекомендуется для обучения)

# Обучить модель
results = model.train(data="imagewoof", epochs=100, imgsz=224)

Варианты набора данных#

ImageWoof доступен в трёх размерах для разных исследовательских задач и вычислительных бюджетов:

1. Полный размер (imagewoof): исходная версия с полноразмерными изображениями, идеально подходящая для финального обучения и сравнительной оценки производительности.
2. Средний размер (imagewoof320): изображения с максимальной длиной стороны 320 пикселей подходят для более быстрого обучения без значительного снижения производительности модели.
3. Малый размер (imagewoof160): изображения с максимальной длиной стороны 160 пикселей предназначены для быстрого создания прототипов и экспериментов, когда скорость обучения важнее всего.

Чтобы использовать эти варианты, просто замени imagewoof в аргументе набора данных на imagewoof320 или imagewoof160. Например:

from ultralytics import YOLO

# Загрузить модель
model = YOLO("yolo26n-cls.pt")  # загрузить предварительно обученную модель (рекомендуется для обучения)

# Для набора данных среднего размера
model.train(data="imagewoof320", epochs=100, imgsz=224)

# Для набора данных малого размера
model.train(data="imagewoof160", epochs=100, imgsz=224)

Имей в виду, что на изображениях меньшего размера точность классификации accuracy, скорее всего, будет ниже, но они отлично подходят для быстрых итераций на ранних этапах разработки модели. Ты также можешь управлять наборами данных для классификации и запускать обучение в облаке с помощью Ultralytics Platform.

Примеры изображений и аннотаций#

Набор данных ImageWoof содержит цветные изображения различных пород собак, что делает его сложным набором данных для задач классификации изображений. Ниже приведены примеры изображений из набора данных:

Этот пример демонстрирует тонкие различия и сходства между породами собак, показывая сложность задачи классификации.

Цитирование и благодарности#

Если ты используешь набор данных ImageWoof в исследованиях или разработке, пожалуйста, укажи его создателей, добавив ссылку на официальный репозиторий набора данных.

Мы хотели бы поблагодарить команду fast.ai за создание и поддержку ImageWoof — ценного ресурса для сообщества исследователей в области машинного обучения и компьютерного зрения. Подробнее об ImageWoof можно узнать в репозитории набора данных ImageWoof.

Часто задаваемые вопросы#