Link to this sectionНабор данных ImageWoof#

Набор данных ImageWoof — это подмножество ImageNet, состоящее из 10 пород собак, которые намеренно трудно различить. Он был создан fast.ai как более сложный вызов 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, побуждая модели различать тонкие детали, а не просто очевидные категории объектов.

Link to this sectionКлючевые 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.

Link to this sectionСтруктура набора данных#

ImageWoof поставляется с предопределенным разделением на обучающую и валидационную выборки, при этом каждая порода собак хранится в своей отдельной папке:

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.

Link to this sectionПрименение#

Набор данных ImageWoof широко используется для обучения и оценки моделей глубокого обучения на более сложных и похожих классах. Его сложность заключается в тонких различиях между породами собак, что расширяет пределы производительности и обобщающей способности 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

Link to this sectionИспользование#

Чтобы обучить модель классификации на наборе данных ImageWoof в течение 100 эпох с размером изображения 224x224, используй приведенные ниже фрагменты кода. Полный список доступных аргументов можно найти на странице Обучение 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="imagewoof", epochs=100, imgsz=224)

Link to this sectionВарианты набора данных#

ImageWoof представлен в трех размерах для удовлетворения различных исследовательских потребностей и вычислительных бюджетов:

1. Полный размер (imagewoof): оригинальная версия с полноразмерными изображениями, идеально подходит для финального обучения и оценки производительности.
2. Средний размер (imagewoof320): изображения изменены до максимальной длины края 320 пикселей, подходят для более быстрого обучения без существенного снижения производительности модели.
3. Маленький размер (imagewoof160): изображения изменены до максимальной длины края 160 пикселей, предназначены для быстрого прототипирования и экспериментов, где скорость обучения является приоритетом.

Чтобы использовать эти варианты, просто замени imagewoof в аргументе набора данных 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 более низкую точность классификации, но они отлично подходят для быстрой итерации на ранних стадиях разработки модели. Ты также можешь управлять наборами данных для классификации и запускать обучение в облаке с помощью Ultralytics Platform.

Link to this sectionПримеры 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.

Link to this sectionЦитирование и благодарности#

Если ты используешь набор данных ImageWoof в своей исследовательской или проектной работе, пожалуйста, вырази признательность создателям набора данных, добавив ссылку на официальный репозиторий набора данных.

Мы хотели бы поблагодарить команду fast.ai за создание и поддержку ImageWoof в качестве ценного ресурса для сообщества исследователей машинного обучения и компьютерного зрения. Для получения дополнительной информации об ImageWoof посети репозиторий набора данных ImageWoof.

Link to this sectionFAQ#

Link to this sectionЧто такое набор данных ImageWoof в Ultralytics?#

Набор данных ImageWoof — это сложная подвыборка ImageNet, сфокусированная на 10 породах собак и содержащая 12 954 изображения (9 025 для обучения и 3 929 для валидации). Созданный fast.ai, чтобы раздвинуть границы моделей классификации изображений, он включает такие породы, как бигль, ши-тцу и золотистый ретривер. Набор данных доступен в различных разрешениях (полный размер, 320px, 160px) и даже включает зашумленные метки для более реалистичных сценариев обучения, что делает его идеальным для разработки продвинутых моделей глубокого обучения.

Link to this sectionСколько изображений и пород собак в ImageWoof?#

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.

Link to this sectionКак я могу обучить модель, используя набор данных ImageWoof с Ultralytics YOLO?#

Чтобы обучить модель классификации на наборе данных ImageWoof с помощью Ultralytics YOLO в течение 100 эпох при размере изображения 224x224, используй следующий код:

from 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 Обучение.

Link to this sectionКакие версии набора данных ImageWoof доступны?#

Набор данных ImageWoof представлен в трех размерах:

1. Полный размер (imagewoof): идеально подходит для финального обучения и бенчмаркинга, содержит полноразмерные изображения.
2. Средний размер (imagewoof320): изображения изменены до максимальной длины края 320 пикселей, подходят для более быстрого обучения.
3. Маленький размер (imagewoof160): изображения изменены до максимальной длины края 160 пикселей, идеально подходят для быстрого прототипирования.

Используй эти версии, соответствующим образом заменяя imagewoof в аргументе набора данных. Обрати внимание, что изображения меньшего размера могут дать более низкую точность классификации, но они полезны для более быстрых итераций.

Link to this sectionКак зашумленные метки в наборе данных ImageWoof помогают при обучении?#

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.

Link to this sectionКаковы основные сложности использования набора данных ImageWoof?#

Основная сложность ImageWoof заключается в тонких различиях между включенными в него породами собак. Поскольку он сфокусирован на 10 близкородственных породах, различение между ними требует более продвинутых и точно настроенных моделей классификации изображений. Это делает ImageWoof отличным бенчмарком для проверки возможностей и улучшений моделей глубокого обучения.