ImageNet Veri Kümesi#

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

ImageNet Üzerinde Önceden Eğitilmiş Modeller#

Temel Özellikler#

• Ultralytics imagenet veri kümesi, görüntü sınıflandırması için standart ön eğitim kıyaslama veri kümesi olan ILSVRC-2012 kapsamında 1.000 sınıf, 1.281.167 eğitim görüntüsü 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 tamamını indirmek yaklaşık ~144 GB alan gerektirir.
• Yıllık ImageNet Büyük Ölçekli Görsel Tanıma Yarışması (ILSVRC), bilgisayarlı görü araştırmalarının ilerlemesinde önemli rol oynadı.

Veri Kümesi Yapısı#

Ultralytics ImageNet veri kümesi, ILSVRC-2012 bölünmesini kullanır:

Görüntüler, WordNet synset kimliğine göre adlandırılmış sınıf başına klasörlerde depolanır (örneğin, n01440764); bu düzen, Ultralytics sınıflandırma eğitiminde beklenen yapıdır. 1.000 sınıfın her biri bir WordNet synset'ine karşılık gelir ve ayrı bir test bölümü bulunmadığından 50.000 görüntülük doğrulama kümesi doğruluğu ölçmek için kullanılır.

ImageNet Büyük Ölçekli Görsel Tanıma Yarışması (ILSVRC)#

Yıllık ImageNet Büyük Ölçekli Görsel Tanıma Yarışması (ILSVRC), araştırmacıların algoritmaları tutarlı değerlendirme ölçütleriyle büyük ölçekli, standartlaştırılmış bir veri kümesinde kıyaslamasını sağladı. Yarışma; görüntü sınıflandırma, nesne algılama ve diğer görü görevlerinde derin öğrenmenin önemli ölçüde ilerlemesini sağladı. Özellikle AlexNet'in 2012'deki başarısı, modern derin öğrenme çağının başlamasına katkıda bulundu.

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 dönüm noktası niteliğindeki mimarilerin tümü ImageNet üzerinde geliştirildi ve kıyaslandı. ImageNet üzerinde önceden eğitilmiş ağırlıklar, görü görevlerinde aktarım öğrenmesi için yaygın bir başlangıç noktası olmaya devam ediyor.

Kullanım#

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

from ultralytics import YOLO

# Bir model yükle
model = YOLO("yolo26n-cls.pt")  # Önceden eğitilmiş bir model yükle (eğitim için önerilir)

# Modeli eğit
results = model.train(data="imagenet", epochs=100, imgsz=224)

Sınıflandırma veri kümelerini yönetmek ve eğitimi bulutta çalıştırmak için Ultralytics Platform'u da kullanabilirsin.

Örnek Görüntüler ve Ek Açıklamalar#

ImageNet veri kümesi, 1.000 ILSVRC-2012 sınıfını kapsayarak bilgisayarlı görü modellerini eğitmek ve değerlendirmek için çeşitli ve kapsamlı bir kaynak sunar. Veri kümesinden bazı örnek görüntüler:

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

Sık Sorulan Sorular#