Датасет ImageWoof#
Датасет ImageWoof — это подмножество ImageNet, состоящее из 10 классов пород собак, которые намеренно сложно различать. Он создан командой [fast.ai](https://ultralytics-translation-2.invalid как более сложная задача для алгоритмов классификации изображений. Датасет 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 отличия, 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.
- В датасете предусмотрено заранее заданное разбиение: 9 025 изображений для обучения и 3 929 для валидации. Доступны разные разрешения (полный размер, 320px, 160px), подходящие для разных вычислительных бюджетов.
- Также доступна версия с зашумлёнными метками, которая предоставляет более реалистичный сценарий, где метки не всегда надёжны.
Структура датасета#
ImageWoof поставляется с заранее заданным разбиением на выборки обучения и валидации, при этом каждая порода собак хранится в отдельной папке:
| Выборка | Изображения | Классы |
|---|---|---|
| Обучение | 9,025 | 10 |
| Валидация | 3,929 | 10 |
Поскольку все 10 классов представлены породами собак, это разбиение предназначено для проверки мелкозернистой классификации — различения визуально похожих категорий, — а не широкого распознавания объектов в полном датасете ImageNet.
Применения#
Датасет ImageWoof широко используется для обучения и оценки моделей глубокого обучения на более сложных и похожих классах. Сложность задачи заключается в тонких различиях между породами собак, что позволяет проверять пределы производительности и обобщающей способности моделей. Датасет особенно полезен для:
- Сравнительного тестирования производительности классификации на мелкозернистых категориях
- Проверки устойчивости моделей к похожим на вид классам
- Разработки алгоритмов, способных различать тонкие визуальные отличия
- Оценки переноса обучения из общих областей в специализированные
Использование#
Чтобы обучить модель классификации на датасете ImageWoof в течение 100 эпох с размером изображения 224x224, используй приведённые ниже 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="imagewoof", epochs=100, imgsz=224)Варианты датасета#
ImageWoof доступен в трёх размерах, чтобы соответствовать разным исследовательским задачам и вычислительным бюджетам:
- Полный размер (
imagewoof): исходная версия с изображениями полного размера, идеально подходящая для финального обучения и сравнительного тестирования производительности. - Средний размер (
imagewoof320): изображения изменены так, чтобы длина максимальной стороны не превышала 320 пикселей; этот вариант подходит для более быстрого обучения без существенного снижения производительности модели. - Малый размер (
imagewoof160): изображения изменены так, чтобы длина максимальной стороны не превышала 160 пикселей; вариант предназначен для быстрого создания прототипов и экспериментов, когда скорость обучения имеет приоритет.
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)Учти, что изображения меньшего размера, скорее всего, дадут более низкую точность классификации, но это отличный способ быстро выполнять итерации на ранних этапах разработки модели. Ты также можешь управлять датасетами для классификации и запускать обучение в облаке с помощью Ultralytics Platform.
Примеры изображений и аннотаций#
Датасет ImageWoof содержит цветные изображения различных пород собак и представляет собой сложную задачу для классификации изображений. Ниже приведены некоторые примеры изображений из датасета:
Пример демонстрирует тонкие различия и сходства между разными породами собак, подчёркивая сложность и трудность задачи классификации.
Цитирование и благодарности#
Если ты используешь датасет ImageWoof в исследовательской или разработческой работе, укажи создателей датасета, добавив ссылку на официальный репозиторий датасета.
Мы хотели бы поблагодарить команду fast.ai за создание и поддержку ImageWoof как ценного ресурса для исследовательского сообщества в области машинного обучения и компьютерного зрения. Дополнительную информацию об ImageWoof смотри в репозитории датасета ImageWoof.
Часто задаваемые вопросы#
Датасет ImageWoof — это сложное подмножество ImageNet, ориентированное на 10 пород собак и содержащее 12 954 изображения (9 025 для обучения и 3 929 для валидации). Он создан fast.ai, чтобы расширить возможности моделей классификации изображений, и включает такие породы, как бигль, ши-тцу и золотистый ретривер. Датасет доступен в разных разрешениях (полный размер, 320px, 160px) и даже включает зашумлённые метки для более реалистичных сценариев обучения, что делает его идеальным для разработки продвинутых моделей глубокого обучения.
ImageWoof содержит всего 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 отдельной папке в соответствии со стандартной структурой классификации, которую ожидает Ultralytics.
Чтобы обучить модель классификации на датасете ImageWoof с использованием 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)Дополнительные сведения о доступных аргументах обучения смотри на странице обучения.
Датасет ImageWoof доступен в трёх размерах:
- Полный размер (
imagewoof): идеально подходит для финального обучения и сравнительного тестирования и содержит изображения полного размера. - Средний размер (
imagewoof320): изображения изменены так, чтобы длина максимальной стороны не превышала 320 пикселей; вариант подходит для более быстрого обучения. - Малый размер (
imagewoof160): изображения изменены так, чтобы длина максимальной стороны не превышала 160 пикселей; вариант идеально подходит для быстрого создания прототипов.
Используй эти версии, заменив
imagewoofв аргументе датасета на соответствующее значение. Учти, что изображения меньшего размера могут дать более низкую точность классификации, но полезны для более быстрых итераций.- Полный размер (
Зашумлённые метки в датасете ImageWoof имитируют реальные условия, в которых метки не всегда точны. Обучение моделей на таких данных помогает повысить устойчивость и обобщающую способность в задачах классификации изображений. Это подготавливает модели к эффективной обработке неоднозначных данных или данных с ошибочными метками, с которыми часто приходится работать в практических приложениях.
Основная сложность ImageWoof заключается в тонких различиях между представленными в нём породами собак. Поскольку датасет ориентирован на 10 близкородственных пород, их различение требует более продвинутых и тщательно настроенных моделей классификации изображений. Это делает ImageWoof отличным ориентиром для проверки возможностей и улучшений моделей глубокого обучения.