ImageNet10 Veri Kümesi#

20

imagenet10

ultralytics

publicClassify

ImageNet10 is Ultralytics' minimal classification smoke-test set containing one train and one validation image for each of ten ImageNet synsets. It intentionally retains WordNet IDs rather than friendly labels, providing a tiny check of folder-based loading, training, validation, and export paths.

210 classes110.3 KBSep 2, 2026

n01440764n01443537n01484850n01491361+6

Ultralytics ImageNet10 veri kümesi (data="imagenet10"), ImageNet veri kümesinin ilk 10 sınıfını kapsayan, sürekli entegrasyon testleri, sağlama kontrolleri ve eğitim işlem hatlarının hızlı doğrulanması için oluşturulmuş 24 görüntülük küçük bir alt kümedir. Tam veri kümesiyle aynı WordNet eşanlam kümesi klasör yapısında düzenlenmiş 12 eğitim ve 12 doğrulama görüntüsü içerir; böylece ImageNet üzerinde eğitim yapan bir model, ImageNet10 üzerinde değişiklik yapılmadan çalışır — saatler yerine saniyeler içinde. Doğruluk karşılaştırması yapmak için değil, bir işlem hattının uçtan uca çalıştığını doğrulamak için tasarlanmıştır.

Temel Özellikler#

• ImageNet10, ImageNet'in ilk 10 sınıfından alınmış yalnızca 24 görüntü (12 eğitim, 12 doğrulama) içerir.
• Veri kümesi, tam ImageNet veri kümesindeki sınıf başına synset klasörlerini yansıtacak şekilde WordNet hiyerarşisine göre düzenlenmiştir.
• Bilgisayarlı görü görevlerindeki eğitim işlem hatlarının sürekli entegrasyon testleri, sağlama kontrolleri ve hızlı hata ayıklaması için özel olarak tasarlanmıştır.
• Model karşılaştırması için tasarlanmamış olsa da bir modelin temel işlevselliği ve doğruluğu hakkında hızlı bir gösterge sağlar.

Veri Kümesi Yapısı#

ImageNet10, tam ImageNet veri kümesinin ilk 10 sınıfını kullanan önceden tanımlı bir bölümlendirmeyle gelir (n01440764 tench ile n01518878 ostrich arası):

10 sınıfın her biri bir WordNet synset'idir (eş anlamlı terimler kümesi) ve görüntüler, synset kimliğiyle adlandırılan sınıfa özel klasörlerde bulunur — bu, Ultralytics sınıflandırma eğitiminin beklediği düzenin aynısıdır. Bu sayede ImageNet10, bir modelin beklenen klasör biçimini tanıyıp tanımadığını test ederken tam veri kümesinin kompakt ve yapısal olarak aslına sadık bir karşılığı olur.

Sınıfa göre gruplanmış görüntülere göz atmak, Charts sekmesinde sınıf dağılımını görüntülemek ve kendi modelini bulutta eğitmek üzere veri kümesini kopyalamak için Ultralytics Platform'da ImageNet10'u keşfet.

Uygulamalar#

ImageNet10, bilgisayarlı görü modellerini ve işlem hatlarını hızlı bir şekilde test etmek ve hata ayıklamak için kullanışlıdır. Küçük boyutu hızlı yinelemeye olanak tanır; bu da onu sürekli entegrasyon testleri ve sağlama kontrolleri için ideal kılar. Ayrıca, eksiksiz ImageNet veri kümesiyle tam ölçekli çalışmalara geçmeden önce yeni modellerin veya kod değişikliklerinin hızlı ön testleri için de kullanışlıdır.

Kullanım#

Bir sınıflandırma modelini ImageNet10 veri kümesinde 224x224 görüntü boyutuyla test etmek için aşağıdaki kod parçacıklarını kullan. Kullanılabilir bağımsız değişkenlerin kapsamlı listesi için modelin Training sayfasına başvur.

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="imagenet10", epochs=5, imgsz=224)

Örnek Görüntüler ve Açıklamalar#

ImageNet10 veri kümesi, özgün ImageNet veri kümesindeki ilk 10 sınıfı temsil edecek ve hızlı test ile değerlendirme için çeşitli ancak kompakt bir kaynak sağlayacak şekilde seçilmiş görüntülerin bir alt kümesini içerir.

Örnek, ImageNet10 veri kümesindeki görüntülerin çeşitliliğini ve karmaşıklığını sergileyerek bilgisayarlı görü modelleri için sağlama kontrolleri ve hızlı testlerdeki kullanışlılığını vurgular.

Atıflar ve Teşekkürler#

ImageNet10 veri kümesini araştırma veya geliştirme çalışmalarında kullanıyorsan lütfen özgün 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 oluşturan ve 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.

SSS#