ImageNet Veri Kümesi#

Ultralytics ImageNet veri kümesi (data="imagenet"), görüntü sınıflandırma modellerini eğitmek ve kıyaslamak için kullanılan ImageNet-1k / ILSVRC-2012 alt kümesidir. Bu veri kümesi, 1.000 nesne sınıfı, 1.281.167 eğitim görüntüsü ve 224x224 görüntü boyutunda 50.000 doğrulama görüntüsü içerir ve yaklaşık 144 GB veri olarak indirilir. Daha geniş ImageNet veritabanı çok daha büyüktür — 20.000'den fazla kategori genelinde WordNet synset'leriyle etiketlenmiş 14 milyondan fazla yüksek çözünürlüklü görüntü içerir — ancak Ultralytics, derin öğrenme ve bilgisayarlı görü alanlarında fiilî kıyaslama standardı hâline gelen standartlaştırılmış 1.000 sınıflı ILSVRC alt kümesiyle eğitim yapar.

ImageNet Önceden Eğitilmiş Modelleri#

Temel Özellikler#

• Ultralytics imagenet veri kümesi, görüntü sınıflandırma için standart ön eğitim kıyaslaması olan ILSVRC-2012 kapsamında 1.000 sınıf ile 1.281.167 eğitim ve 50.000 doğrulama görüntüsü sağlar.
• Sınıflar, her sınıfın bir synset'e (eş anlamlı terimler kümesine) karşılık geldiği WordNet hiyerarşisine göre düzenlenir.
• Görüntüler 224x224 boyutunda eğitilir ve veri kümesinin tamamı yaklaşık ~144 GB büyüklüğünde bir indirmedir.
• Yıllık ImageNet Büyük Ölçekli Görsel Tanıma Yarışması (ILSVRC), bilgisayarlı görü araştırmalarının ilerlemesinde önemli bir rol oynamıştır.

Veri Kümesi Yapısı#

Ultralytics ImageNet veri kümesi, ILSVRC-2012 bölmesini kullanır:

Görüntüler, WordNet synset kimliğiyle adlandırılmış sınıf başına klasörlerde saklanır (örneğin, n01440764); bu düzen, Ultralytics sınıflandırma eğitiminin beklediği yapıdır. 1.000 sınıfın her biri bir WordNet synset'ine karşılık gelir ve ayrı bir test bölmesi yoktur; bu nedenle 50.000 görüntüden oluşan doğrulama kümesi doğruluğu ölçmek için kullanılır.

ImageNet Büyük Ölçekli Görsel Tanıma Yarışması (ILSVRC)#

Yıllık ImageNet Büyük Ölçekli Görsel Tanıma Yarışması (ILSVRC), araştırmacıların algoritmaları büyük ölçekli, standartlaştırılmış bir veri kümesi ve tutarlı değerlendirme metrikleri üzerinde kıyaslamasını sağladı. Yarışma; görüntü sınıflandırma, nesne algılama ve diğer görü görevlerinde önemli ilerlemelere öncülük etti — özellikle AlexNet'in modern derin öğrenme çağının başlamasına yardımcı olan 2012 zaferiyle.

Uygulamalar#

ImageNet veri kümesi, görüntü sınıflandırma, nesne algılama ve nesne konumlandırma için derin öğrenme modellerini eğitmek ve değerlendirmek amacıyla yaygın olarak kullanılır. AlexNet, VGG ve ResNet gibi öncü mimarilerin tümü ImageNet üzerinde geliştirildi ve kıyaslandı; ImageNet üzerinde önceden eğitilmiş ağırlıklar, görü görevleri arasındaki aktarım öğrenmesi için hâlâ yaygın bir başlangıç noktasıdır.

Kullanım#

ImageNet üzerinde 224x224 görüntü boyutuyla 100 epoch boyunca bir YOLO sınıflandırma modeli eğitmek için aşağıdaki kod parçacıklarını kullan. Kullanılabilir bağımsız değişkenlerin kapsamlı listesi için modelin Eğitim sayfasına bak.

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="imagenet", epochs=100, imgsz=224)

Sınıflandırma veri kümelerini yönetebilir ve Ultralytics Platform ile bulutta eğitim çalıştırabilirsin.

Örnek Görüntüler ve Açıklamalar#

ImageNet veri kümesi, bilgisayarlı görü modellerini eğitmek ve değerlendirmek için çeşitli ve kapsamlı bir kaynak sağlayan 1.000 ILSVRC-2012 sınıfını kapsar. Aşağıda veri kümesinden bazı örnek görüntüler yer alır:

Atıflar ve Teşekkürler#

ImageNet veri kümesini araştırma veya geliştirme çalışmalarında kullanıyorsan lütfen aşağıdaki makaleye atıfta bulun:

@article{ILSVRC15,
         author = {Olga Russakovsky and Jia Deng and Hao Su and Jonathan Krause and Sanjeev Satheesh and Sean Ma and Zhiheng Huang and Andrej Karpathy and Aditya Khosla and Michael Bernstein and Alexander C. Berg and Li Fei-Fei},
         title={ImageNet Large Scale Visual Recognition Challenge},
         year={2015},
         journal={International Journal of Computer Vision (IJCV)},
         volume={115},
         number={3},
         pages={211-252}
}

Değerli bir makine öğrenimi ve bilgisayarlı görü araştırma topluluğu kaynağı olan ImageNet veri kümesini oluşturup sürdürdükleri için Olga Russakovsky, Jia Deng ve Li Fei-Fei liderliğindeki ImageNet ekibine teşekkür ederiz. ImageNet veri kümesi ve oluşturucuları hakkında daha fazla bilgi için ImageNet web sitesini ziyaret et.

SSS#