Набор данных ImageWoof

Набор данных ImageWoof - это подмножество ImageNet, состоящее из 10 классов, которые сложно классифицировать, так как все они - породы собак. Он был создан как более сложная задача для алгоритмов классификации изображений, чтобы стимулировать разработку более совершенных моделей.

Основные характеристики

• ImageWoof содержит изображения 10 различных пород собак: Австралийский терьер, бордер-терьер, самоед, бигль, ши-тцу, фоксхаунд English , родезийский риджбек, динго, золотистый ретривер и старая English овчарка.
• В наборе данных представлены изображения в различных разрешениях (полноразмерное, 320px, 160px), что позволяет использовать различные вычислительные возможности и исследовательские потребности.
• В него также входит версия с зашумленными ярлыками, обеспечивающая более реалистичный сценарий, в котором ярлыки не всегда могут быть надежными.

Структура набора данных

Структура набора данных ImageWoof основана на классах пород собак, причем для каждой породы существует своя директория изображений.

Приложения

Набор данных ImageWoof широко используется для обучения и оценки моделей глубокого обучения в задачах классификации изображений, особенно когда речь идет о более сложных и похожих классах. Сложность датасета заключается в тонких различиях между породами собак, что расширяет границы производительности и обобщения модели.

Использование

Чтобы обучить модель CNN на наборе данных ImageWoof в течение 100 эпох с размером изображения 224x224, ты можешь воспользоваться следующими фрагментами кода. Полный список доступных аргументов смотри на странице обучения модели.

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n-cls.pt")  # load a pretrained model (recommended for training)

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

# Start training from a pretrained *.pt model
yolo detect train data=imagewoof model=yolov8n-cls.pt epochs=100 imgsz=224

Варианты набора данных

Набор данных ImageWoof выпускается в трех разных размерах, чтобы удовлетворить различные исследовательские потребности и вычислительные возможности:

1. Полный размер (imagewoof): Это оригинальная версия набора данных ImageWoof. Он содержит полноразмерные изображения и идеально подходит для финального обучения и бенчмаркинга производительности.

2. Средний размер (imagewoof320): Эта версия содержит изображения, размер которых изменен таким образом, чтобы максимальная длина края составляла 320 пикселей. Она подходит для более быстрого обучения без существенного снижения производительности модели.

3. Маленький размер (imagewoof160): Эта версия содержит изображения, размер которых изменен так, чтобы максимальная длина края составляла 160 пикселей. Она предназначена для быстрого создания прототипов и экспериментов, где скорость обучения является приоритетом.

Чтобы использовать эти варианты в тренировке, просто замени 'imagewoof' в аргументе dataset на 'imagewoof320' или 'imagewoof160'. Например:

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n-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)

Важно отметить, что использование изображений меньшего размера, скорее всего, даст более низкую производительность в плане точности классификации. Однако это отличный способ быстрой итерации на ранних этапах разработки модели и создания прототипа.

Примеры изображений и аннотаций

Набор данных ImageWoof содержит красочные изображения различных пород собак, представляя собой сложный набор данных для задач классификации изображений. Вот несколько примеров изображений из этого набора:

Этот пример демонстрирует тонкие различия и сходства между разными породами собак в наборе данных ImageWoof, подчеркивая сложность и трудность задачи классификации.

Цитаты и благодарности

Если ты используешь набор данных ImageWoof в своих исследованиях или разработках, не забудь отметить создателей набора данных, поставив ссылку на официальный репозиторий данных.

Мы хотели бы поблагодарить команду FastAI за создание и поддержку набора данных ImageWoof как ценного ресурса для сообщества исследователей машинного обучения и компьютерного зрения. Чтобы узнать больше о наборе данных ImageWoof, посети репозиторий данных ImageWoof.

ВОПРОСЫ И ОТВЕТЫ

Что представляет собой набор данных ImageWoof на сайте Ultralytics?

Набор данных ImageWoof - это сложное подмножество ImageNet, посвященное 10 конкретным породам собак. Созданный для того, чтобы расширить границы моделей классификации изображений, он включает в себя такие породы, как бигль, ши-тцу и золотистый ретривер. В набор данных входят изображения с различным разрешением (полноразмерные, 320px, 160px) и даже зашумленные метки для более реалистичных сценариев обучения. Такая сложность делает ImageWoof идеальным вариантом для разработки более продвинутых моделей глубокого обучения.

Как обучить модель, используя набор данных ImageWoof с Ultralytics YOLO ?

Чтобы обучить модель конволюционной нейронной сети (CNN) на наборе данных ImageWoof с помощью Ultralytics YOLO в течение 100 эпох при размере изображения 224x224, ты можешь использовать следующий код:

from ultralytics import YOLO

model = YOLO("yolov8n-cls.pt")  # Load a pretrained model
results = model.train(data="imagewoof", epochs=100, imgsz=224)

yolo detect train data=imagewoof model=yolov8n-cls.pt epochs=100 imgsz=224

Подробнее о доступных аргументах для обучения читай на странице " Обучение ".

Какие версии набора данных ImageWoof доступны?

Набор данных ImageWoof выпускается в трех размерах:

1. Полный размер (imagewoof): Идеально подходит для финальных тренировок и бенчмарков, содержит полноразмерные изображения.
2. Средний размер (imagewoof320): Измененные изображения с максимальной длиной края 320 пикселей, подходящие для более быстрой тренировки.
3. Маленький размер (imagewoof160): Измененные изображения с максимальной длиной края 160 пикселей, идеально подходящие для быстрого создания прототипов.

Используй эти версии, заменив 'imagewoof' в аргументе dataset соответствующим образом. Однако учти, что меньшие изображения могут дать меньшую точность классификации, но могут быть полезны для более быстрых итераций.

Как шумные метки в наборе данных ImageWoof приносят пользу при обучении?

Зашумленные метки в наборе данных ImageWoof имитируют реальные условия, в которых метки не всегда могут быть точными. Обучение моделей на этих данных помогает развить устойчивость и обобщенность в задачах классификации изображений. Это готовит модели к эффективной работе с неоднозначными или неправильно помеченными данными, что часто встречается в практических приложениях.

Какие основные проблемы возникают при использовании набора данных ImageWoof?

Основная сложность набора данных ImageWoof заключается в тонких различиях между породами собак, которые в него входят. Поскольку в нем сосредоточены 10 близкородственных пород, для их различения требуются более продвинутые и тонко настроенные модели классификации изображений. Это делает ImageWoof отличным эталоном для проверки возможностей и усовершенствования моделей глубокого обучения.

Комментарии