ImageNet10 Veri Kümesi#
Ultralytics ImageNet10 veri kümesi (data="imagenet10"), ImageNet veri kümesinin ilk 10 sınıfını kapsayan, 24 görüntülük küçük bir alt kümedir. Sürekli tümleştirme testleri, hızlı kontroller ve eğitim işlem hatlarının hızlı doğrulanması için oluşturulmuştur. Veri kümesinde, tam veri kümesiyle aynı WordNet synset klasör yapısında düzenlenmiş 12 eğitim ve 12 doğrulama görüntüsü bulunur. Böylece ImageNet üzerinde eğitilen bir model, ImageNet10 üzerinde değişiklik yapılmadan saatler yerine saniyeler içinde eğitilir. Veri kümesi, doğruluğu kıyaslamak için değil, işlem hattının uçtan uca çalıştığını doğrulamak için tasarlanmıştır.
Temel Özellikler#
- ImageNet10, ImageNet'in ilk 10 sınıfından alınmış yalnızca 24 görüntü içerir (12 eğitim, 12 doğrulama görüntüsü).
- Veri kümesi, WordNet hiyerarşisine göre düzenlenmiştir ve tam ImageNet veri kümesinin sınıf başına synset klasörlerini yansıtır.
- Özellikle sürekli entegrasyon testleri, sağlamlık kontrolleri ve bilgisayarlı görü görevlerindeki eğitim işlem hatlarında hızlı hata ayıklama için tasarlanmıştır.
- Model kıyaslaması için tasarlanmamış olsa da modelin temel işlevselliği ve doğruluğu hakkında hızlı bir fikir verir.
Veri Kümesi Yapısı#
ImageNet10, tam ImageNet veri kümesinin ilk 10 sınıfını kullanan, önceden tanımlanmış bir bölünmeyle sunulur (n01440764 çamur balığından n01518878 deve kuşuna kadar):
| Bölüm | Görüntüler | Sınıflar |
|---|---|---|
| Eğit | 12 | 10 |
| Doğrulama | 12 | 10 |
10 sınıfın her biri bir WordNet synset'idir (eş anlamlı terimler kümesi) ve görüntüler synset kimliğine göre adlandırılmış sınıf başına klasörlerde bulunur; bu, Ultralytics sınıflandırma eğitiminde beklenen yapının aynısıdır. Bu sayede ImageNet10, bir modelin beklenen klasör biçimini tanıdığını test ederken tam veri kümesinin yapısal açıdan aslına sadık, küçük bir temsili olur.
Görüntülere sınıflarına göre göz atmak, sınıf dağılımını Grafikler sekmesinde görüntülemek ve kendi modelini bulutta eğitmek üzere veri kümesini kopyalamak için Ultralytics Platform'daki ImageNet10'u keşfet.
Uygulamalar#
ImageNet10 veri kümesi, bilgisayarlı görü modellerini ve işlem hatlarını hızla sınamak ve hata ayıklamak için kullanışlıdır. Küçük boyutu hızlı yinelemeye olanak tanıdığından sürekli tümleştirme testleri ve hızlı kontroller için idealdir. Ayrıca tam ImageNet veri kümesiyle büyük ölçekli çalışmalara geçmeden önce yeni modelleri veya kod değişikliklerini hızlıca ön test etmek için de kullanışlıdır.
Kullanım#
ImageNet10 veri kümesinde 224x224 görüntü boyutunda bir sınıflandırma modelini test etmek 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="imagenet10", epochs=5, imgsz=224)Örnek Görüntüler ve Ek Açıklamalar#
ImageNet10 veri kümesi, orijinal ImageNet veri kümesindeki ilk 10 sınıfı temsil edecek şekilde seçilmiş bir görüntü alt kümesini içerir ve hızlı test ve değerlendirme için çeşitli ancak kompakt bir kaynak sunar.
Bu örnek, ImageNet10 veri kümesindeki görüntülerin çeşitliliğini ve karmaşıklığını göstererek veri kümesinin bilgisayarlı görü modellerinde hızlı testler ve temel kontroller için ne kadar yararlı olduğunu vurgular.
Atıflar ve Teşekkürler#
ImageNet10 veri kümesini araştırma veya geliştirme çalışmalarında kullanıyorsan lütfen orijinal ImageNet makalesine 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}
}ImageNet veri kümesini oluşturup sürdüren, Olga Russakovsky, Jia Deng ve Li Fei-Fei liderliğindeki ImageNet ekibine teşekkür ederiz. Ultralytics tarafından oluşturulan ImageNet10 alt kümesi, makine öğrenimi ve bilgisayarlı görü araştırma topluluğunda hızlı test ve hata ayıklama için değerli bir kaynaktır. ImageNet veri kümesi ve oluşturucuları hakkında daha fazla bilgi için ImageNet web sitesini ziyaret et.
Sık Sorulan Sorular#
ImageNet10 veri kümesi, Ultralytics tarafından hızlı CI testleri, temel kontroller ve eğitim hattı değerlendirmeleri için oluşturulan kompakt bir ImageNet veri tabanı alt kümesidir. ImageNet'in ilk 10 sınıfından 24 görüntü (12 eğitim ve 12 doğrulama görüntüsü) içerir. Küçük boyutuna rağmen tam veri kümesinin WordNet klasör yapısını korur; bu da onu hızlı eğitim hattı testleri için ideal, model doğruluğunu kıyaslamak içinse uygunsuz kılar.
ImageNet10, ImageNet'in ilk 10 sınıfına dağıtılmış toplam 24 görüntü içerir — 12'si eğitim, 12'si doğrulama için. Her sınıf kendi klasöründe saklanan bir WordNet eşanlam kümesidir; bu nedenle veri kümesi, tam ImageNet veri kümesinin düzenini boyutunun çok küçük bir kısmıyla yansıtır.
Sınıflandırma modelini ImageNet10 üzerinde 224x224 görüntü boyutuyla test etmek için aşağıdaki kod parçacıklarını kullan.
Test Örneğifrom 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="imagenet10", epochs=5, imgsz=224)Kullanılabilir bağımsız değişkenlerin kapsamlı listesi için Eğitim sayfasına bak.
ImageNet10, derin öğrenme eğitim hatlarında CI testleri, temel kontroller ve hızlı değerlendirmeler için özel olarak tasarlanmıştır. 24 görüntüden oluşması, neredeyse anında yineleme yapmaya olanak tanır ve hıza öncelik verilen sürekli entegrasyon süreçleri için idealdir. Tam ImageNet veri kümesinin klasör yapısını koruyarak büyük bir veri kümesini işlemenin yükü olmadan modelin temel işlevselliğini ve doğruluğunu güvenilir biçimde kontrol eder.
ImageNet10 ve ImageNette, ImageNet'in alt kümeleri olsa da farklı amaçlara hizmet eder. ImageNet10, ilk 10 sınıftan yalnızca 24 görüntü içerir; bu nedenle CI testleri ve hızlı temel kontroller için son derece hafiftir. Buna karşılık ImageNette, kolayca ayırt edilebilen 10 sınıfta 13.000'den fazla görüntü içerir ve gerçek model eğitimi ile geliştirme çalışmaları için uygundur. ImageNet10 eğitim hattı işlevselliğini doğrularken ImageNette, tam ImageNet eğitiminden daha hızlı ancak anlamlı eğitim deneyleri için daha uygundur.