Набор данных ImageWoof

Набор данных ImageWoof - это подмножество ImageNet, состоящее из 10 классов, которые сложно классифицировать, поскольку все они относятся к породам 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 метками, обеспечивающая более реалистичный сценарий, в котором метки могут быть не всегда надежными.

Структура набора данных

Структура набора данных ImageWoof основана на классах пород собак, причем каждая порода имеет свой собственный каталог 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 набора данных заключается в тонких различиях между породами собак, что расширяет границы производительности и обобщения модели.

Использование

Для обучения CNN-модели на наборе данных ImageWoof в течение 100 эпох при размере изображения 224x224 можно использовать следующие фрагменты кода. Полный список доступных аргументов см. на странице обучения модели.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n-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 classify train data=imagewoof model=yolo11n-cls.pt epochs=100 imgsz=224

Варианты набора данных

Набор данных ImageWoof выпускается в трех различных 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 окончательного обучения и тестирования производительности.

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

3. Малый размер (imagewoof160): Эта версия содержит изображения, размер которых изменен таким образом, 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 обучении, просто замените 'imagewoof' в аргументе dataset на 'imagewoof320' или 'imagewoof160'. Например:

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n-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)

# Load a pretrained model and train on the small-sized dataset
yolo classify train model=yolo11n-cls.pt data=imagewoof320 epochs=100 imgsz=224

Важно отметить, что использование изображений меньшего размера, скорее всего, приведет к снижению точности классификации. Однако это отличный способ быстрой итерации на ранних этапах разработки модели и создания прототипа.

Образцы 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 различными породами собак в наборе данных ImageWoof, подчеркивая сложность и трудность задачи классификации.

Цитаты и благодарности

Если вы используете набор данных ImageWoof в своих исследованиях или разработках, пожалуйста, не забудьте отметить создателей набора данных, поставив ссылку на официальный репозиторий данных.

Мы хотели бы выразить благодарность команде FastAI за создание и поддержку набора данных ImageWoof как ценного ресурса для сообщества исследователей машинного обучения и компьютерного зрения. Для получения дополнительной информации о наборе данных ImageWoof посетите репозиторий данных ImageWoof.

ЧАСТО ЗАДАВАЕМЫЕ ВОПРОСЫ

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 возможности моделей классификации изображений, он включает такие породы, как бигль, ши-тцу и золотистый ретривер. Набор данных включает изображения с различным разрешением (полноразмерные, 320px, 160px) и даже зашумленные метки для более реалистичных сценариев обучения. Такая сложность делает ImageWoof идеальным инструментом для разработки более продвинутых моделей глубокого обучения.

Как обучить модель на наборе данных ImageWoof с помощью 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, можно использовать следующий код:

from ultralytics import YOLO

model = YOLO("yolo11n-cls.pt")  # Load a pretrained model
results = model.train(data="imagewoof", epochs=100, imgsz=224)

yolo classify train data=imagewoof model=yolo11n-cls.pt epochs=100 imgsz=224

Более подробную информацию о доступных аргументах для обучения можно найти на странице Обучение.

Какие версии набора данных ImageWoof доступны?

Набор данных ImageWoof выпускается в трех размерах:

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

Используйте эти версии, заменив 'imagewoof' в аргументе dataset соответствующим образом. Обратите внимание, что изображения меньшего размера могут дать меньшую точность классификации, но могут быть полезны для более быстрых итераций.

Как шумные метки в наборе данных ImageWoof помогают обучению?

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 позволяет подготовить модели к эффективной работе с неоднозначными или неправильно помеченными данными, которые часто встречаются в практических приложениях.

Какие основные проблемы возникают при использовании набора данных ImageWoof?

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

📅 Создано 1 год назад ✏️ Обновлено 2 месяца назад

Комментарии