Link to this sectionImageNet10 Veri Kümesi#

Ultralytics ImageNet10 veri kümesi (data="imagenet10"), ImageNet'in ilk 10 sınıfını kapsayan, sürekli entegrasyon testleri, doğruluk kontrolleri ve eğitim hatlarının hızlı bir şekilde doğrulanması için oluşturulmuş 24 görüntülük minik bir alt kümesidir. Tam veri kümesiyle aynı WordNet-synset klasör yapısında düzenlenmiş 12 eğitim ve 12 doğrulama görüntüsü içerir, bu sayede ImageNet üzerinde eğitilen bir model, ImageNet10 üzerinde hiçbir değişiklik yapılmadan saatler yerine saniyeler içinde eğitilebilir. Bir eğitim hattının uçtan uca çalıştığını doğrulamak için tasarlanmıştır; doğruluk kıyaslaması için değildir.

Link to this sectionTemel Özellikler#

• ImageNet10, ImageNet'in ilk 10 sınıfından seçilmiş sadece 24 görüntü (12 eğitim, 12 doğrulama) içerir.
• Veri kümesi, tam ImageNet veri kümesinin sınıfa özel synset klasörlerini yansıtan WordNet hiyerarşisine göre düzenlenmiştir.
• It is purpose-built for continuous integration tests, sanity checks, and rapid debugging of training pipelines in computer vision tasks.
• Model kıyaslaması için tasarlanmamış olsa da, bir modelin temel işlevselliği ve doğruluğu hakkında hızlı bir gösterge sağlar.

Link to this sectionVeri Kümesi Yapısı#

ImageNet10, tam ImageNet veri kümesinin ilk 10 sınıfını kullanan önceden tanımlanmış bir bölünme ile gelir (n01440764 tench'ten n01518878 ostrich'e kadar):

10 sınıfın her biri bir WordNet synset'idir (eş anlamlı terimler kümesi) ve görüntüler, synset kimliğine göre adlandırılan sınıfa özel klasörlerde bulunur; bu, Ultralytics sınıflandırma eğitiminin tam olarak beklediği düzenlemedir. Bu, ImageNet10'u, bir modelin beklenen klasör formatını tanıdığını test ederken tam veri kümesi için kompakt ve yapısal olarak sadık bir alternatif haline getirir.

Görüntüleri sınıfa göre gruplandırılmış olarak incelemek, Grafikler sekmesinde sınıf dağılımını görmek ve kendi modelini bulutta eğitmek üzere klonlamak için Ultralytics Platformu üzerinde ImageNet10 sayfasını keşfet.

Link to this sectionUygulamalar#

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

Link to this sectionKullanım#

Bir sınıflandırma modelini 224x224 görüntü boyutunda ImageNet10 veri kümesi üzerinde test etmek için aşağıdaki kod parçacıklarını kullan. Mevcut argümanların kapsamlı bir listesi için model Eğitim 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)

Link to this sectionÖrnek Görüntüler ve Ek Açıklamalar#

ImageNet10 veri kümesi, orijinal ImageNet veri kümesinden seçilen, ilk 10 sınıfını temsil eden ve hızlı test ve değerlendirme için çeşitli ancak kompakt bir kaynak sağlayan bir alt küme içerir.

Bu örnek, ImageNet10 veri kümesindeki görüntülerin çeşitliliğini ve karmaşıklığını sergileyerek, doğruluk kontrolleri ve bilgisayarlı görü modellerinin hızlı testi için kullanışlılığını vurgular.

Link to this sectionAlıntılar ve Teşekkür#

ImageNet10 veri kümesini araştırma veya geliştirme çalışmalarında kullanırsan, 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 oluşturdukları ve sürdürdükleri için 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 yaratıcıları hakkında daha fazla bilgi için ImageNet web sitesini ziyaret et.

Link to this sectionSSS#

Link to this sectionImageNet10 veri kümesi nedir ve tam ImageNet veri kümesinden farkı nedir?#

ImageNet10 veri kümesi, Ultralytics tarafından hızlı CI testleri, doğruluk kontrolleri ve eğitim hattı değerlendirmeleri için oluşturulmuş ImageNet veritabanının kompakt bir alt kümesidir. ImageNet'in ilk 10 sınıfından 24 görüntü (12 eğitim ve 12 doğrulama) içerir. Küçük boyutuna rağmen, tam veri kümesinin WordNet klasör yapısını korur, bu da onu hızlı hat testi için ideal kılar ancak model doğruluğunu kıyaslamak için uygun değildir.

Link to this sectionImageNet10 kaç görüntüye ve sınıfa sahiptir?#

ImageNet10, ImageNet'in ilk 10 sınıfına yayılmış toplam 24 görüntü (12'si eğitim ve 12'si doğrulama için) içerir. Her sınıf, kendi klasöründe saklanan bir WordNet synset'idir, bu nedenle veri kümesi, tam ImageNet veri kümesinin düzenini çok daha küçük bir boyutta yansıtır.

Link to this sectionDerin öğrenme modelimi test etmek için ImageNet10 veri kümesini nasıl kullanabilirim?#

Sınıflandırma modelini 224x224 görüntü boyutunda ImageNet10 üzerinde test etmek için aşağıdaki kod parçacıklarını kullan.

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)

Mevcut bağımsız değişkenlerin kapsamlı bir listesi için Eğitim sayfasına başvur.

Link to this sectionCI testleri ve doğruluk kontrolleri için neden ImageNet10 veri kümesini kullanmalıyım?#

ImageNet10, derin öğrenme hatlarındaki CI testleri, doğruluk kontrolleri ve hızlı değerlendirmeler için özel olarak tasarlanmıştır. 24 görüntüden oluşan boyutu, neredeyse anlık yinelemeye olanak tanır ve bu da onu hızın kritik olduğu sürekli entegrasyon için ideal kılar. Tam ImageNet veri kümesinin klasör yapısını koruyarak, büyük bir veri kümesini işlemenin getirdiği yük olmadan bir modelin temel işlevselliğinin ve doğruluğunun güvenilir bir kontrolünü sağlar.

Link to this sectionImageNet10, ImageNette gibi diğer küçük veri kümeleriyle nasıl kıyaslanır?#

Hem ImageNet10 hem de ImageNette, ImageNet'in alt kümeleri olsalar da farklı amaçlara hizmet ederler. ImageNet10, ilk 10 sınıftan sadece 24 görüntü içerir ve bu da onu CI testi ve hızlı doğruluk kontrolleri için son derece hafif kılar. Buna karşılık ImageNette, 10 kolayca ayırt edilebilir sınıfta 13.000'den fazla görüntü içerir ve bu da onu gerçek model eğitimi ve geliştirme için uygun hale getirir. ImageNet10 hat işlevselliğini doğrular, ImageNette ise tam ImageNet'ten daha hızlı ancak anlamlı eğitim deneyleri için daha iyidir.