Link to this sectionImageNette Veri Kümesi#

The ImageNette dataset is a subset of ImageNet with 10 easily distinguishable classes, created by fast.ai to provide a quicker, easier-to-use version of ImageNet for software development and education. It contains 13,394 color images — 9,469 for training and 3,925 for validation — spanning classes such as tench, English springer, cassette player, and French horn, so image classification models train in minutes rather than the hours the full 1,000-class ImageNet requires.

Link to this sectionTemel Özellikler#

• ImageNette, 10 sınıf genelinde 13.394 görüntü içerir: tench, English springer, cassette player, chain saw, church, French horn, garbage truck, gas pump, golf ball ve parachute.
• Çeşitli boyutlarda 9.469 eğitim ve 3.925 doğrulama renkli görüntüsünden oluşan önceden tanımlanmış bir bölünme ile gelir.
• 10 adet birbirinden belirgin sınıf, ImageNette'i eğitmeyi hızlı ve üzerinde düşünmeyi kolay kılar; bu nedenle prototip oluşturma ve görüntü sınıflandırmayı öğretmek için yaygın olarak kullanılır.

Link to this sectionVeri Kümesi Yapısı#

ImageNette, her sınıfın kendi klasöründe saklandığı önceden tanımlanmış bir eğitim/doğrulama bölünmesiyle gelir:

Görüntülerin tam sayısı sınıfa göre değişir ve tam ImageNet veri kümesinin ölçeği olmadan hızlı eğitim ve kıyaslama için gerçekçi bir dağılım sağlar.

Link to this sectionUygulamalar#

ImageNette veri seti, Derin Öğrenme modellerinin görüntü sınıflandırma görevlerinde, örneğin Evrişimli Sinir Ağları (CNN'ler) ve diğer makine öğrenimi algoritmaları ile eğitilmesi ve değerlendirilmesi için yaygın olarak kullanılır. Sade formatı ve özenle seçilmiş sınıfları, onu hem makine öğrenimi hem de bilgisayarlı görü alanındaki yeni başlayanlar ve deneyimli uygulayıcılar için kullanışlı bir kaynak haline getirir.

Link to this sectionKullanım#

ImageNette veri kümesi üzerinde 224x224 standart görüntü boyutuyla 100 dönem boyunca bir model eğitmek için aşağıdaki kod parçacıklarını kullanabilirsin. Kullanılabilir bağımsız değişkenlerin 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="imagenette", epochs=100, imgsz=224)

Link to this sectionÖrnek Görüntüler ve Ek Açıklamalar#

ImageNette veri kümesi, çeşitli nesnelerin ve sahnelerin renkli görüntülerini içerir ve görüntü sınıflandırma görevleri için çok çeşitli bir veri kümesi sağlar. İşte veri kümesinden bazı görüntü örnekleri:

Bu örnek, ImageNette veri kümesindeki görüntülerin çeşitliliğini ve karmaşıklığını sergileyerek, sağlam görüntü sınıflandırma modelleri eğitmek için çeşitli bir veri kümesinin önemini vurgular.

Link to this sectionImageNette160 ve ImageNette320#

Daha hızlı prototip oluşturma ve eğitim için ImageNette, iki küçültülmüş boyutta da mevcuttur: ImageNette160 ve ImageNette320. Bu veri kümeleri, tam ImageNette ile aynı sınıfları ve yapıyı korur ancak görüntüler daha küçük bir maksimum kenar uzunluğuna yeniden boyutlandırılmıştır. Özellikle ön model testi için veya hesaplama kaynakları sınırlı olduğunda yararlıdırlar.

Bu veri kümelerini kullanmak için eğitim komutundaki imagenette ifadesini imagenette160 veya imagenette320 ile değiştirmen yeterlidir. Aşağıdaki kod parçacıkları bunu göstermektedir:

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n-cls.pt")  # load a pretrained model (recommended for training)

# Train the model with ImageNette160
results = model.train(data="imagenette160", epochs=100, imgsz=160)

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n-cls.pt")  # load a pretrained model (recommended for training)

# Train the model with ImageNette320
results = model.train(data="imagenette320", epochs=100, imgsz=320)

Veri kümesinin bu daha küçük sürümleri, geliştirme sırasında hızlı yinelemelere olanak tanırken yine de gerçekçi görüntü sınıflandırma görevleri sunar. Ayrıca Ultralytics Platform ile sınıflandırma veri kümelerini yönetebilir ve bulutta eğitim çalıştırabilirsin.

Link to this sectionAlıntılar ve Teşekkür#

Araştırma veya geliştirme çalışmalarında ImageNette veri kümesini kullanırsan lütfen uygun şekilde atıfta bulun. ImageNette hakkında daha fazla bilgi için ImageNette veri kümesi GitHub sayfasını ziyaret et.

fast.ai ekibine, ImageNette'i makine öğrenimi ve bilgisayarlı görü araştırma topluluğu için değerli bir kaynak olarak oluşturdukları ve sürdürdükleri için teşekkür ederiz.

Link to this sectionSSS#

Link to this sectionImageNette veri kümesi nedir?#

ImageNette veri kümesi, tench, English springer ve French horn gibi kolayca ayırt edilebilen 10 sınıfa sahip ImageNet'in basitleştirilmiş bir alt kümesidir. 13.394 görüntü (9.469 eğitim ve 3.925 doğrulama) içerir ve görüntü sınıflandırma modellerinin verimli bir şekilde eğitilmesi ve değerlendirilmesi için daha yönetilebilir bir veri kümesi sunmak amacıyla fast.ai tarafından oluşturulmuştur. Bu, onu özellikle makine öğrenimi ve bilgisayarlı görü alanında hızlı yazılım geliştirme ve eğitim amaçları için yararlı kılar.

Link to this sectionImageNette kaç görüntüye ve sınıfa sahiptir?#

ImageNette toplamda 13.394 görüntü içerir (9.469 eğitim ve 3.925 doğrulama için) ve 10 sınıfa ayrılır: tench, English springer, cassette player, chain saw, church, French horn, garbage truck, gas pump, golf ball ve parachute. Her sınıf, Ultralytics'in beklediği standart sınıflandırma düzenini izleyerek kendi klasöründe saklanır.

Link to this sectionBir YOLO modelini eğitmek için ImageNette veri kümesini nasıl kullanabilirim?#

ImageNette üzerinde 100 dönem boyunca bir YOLO modeli eğitmek için aşağıdaki komutları kullan. Ultralytics YOLO ortamının kurulu olduğundan emin ol.

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

Daha fazla ayrıntı için Eğitim belgeleri sayfasına bak.

Link to this sectionGörüntü sınıflandırma görevleri için neden ImageNette kullanmalıyım?#

ImageNette veri kümesi birkaç nedenden dolayı avantajlıdır:

• Hızlı ve Basit: Sadece 10 sınıf ve yaklaşık 13.000 görüntü ile eğitilmesi, tam ImageNet'e göre çok daha az karmaşık ve zaman alıcıdır.
• Eğitimsel Kullanım: Daha az hesaplama gücü ve zaman gerektirdiğinden, görüntü sınıflandırmanın temellerini öğrenmek ve öğretmek için idealdir.
• Çok Yönlülük: Özellikle Evrişimli Sinir Ağlarını (CNN'ler) eğitmek ve kıyaslamak için yaygın olarak kullanılır.

Model eğitimi ve veri kümesi yönetimi hakkında daha fazla ayrıntı için Veri Kümesi Yapısı bölümünü keşfet.

Link to this sectionImageNette veri kümesi farklı görüntü boyutlarıyla kullanılabilir mi?#

Evet, ImageNette ayrıca görüntüleri daha küçük maksimum kenar uzunluklarına yeniden boyutlandırılmış ImageNette160 ve ImageNette320 adlı iki yeniden boyutlandırılmış sürümde de mevcuttur. Bu sürümler daha hızlı prototip oluşturmaya yardımcı olur ve özellikle hesaplama kaynakları sınırlı olduğunda yararlıdır.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n-cls.pt")

# Train the model with ImageNette160
results = model.train(data="imagenette160", epochs=100, imgsz=160)

Daha fazla bilgi için ImageNette160 ve ImageNette320 ile Eğitim bölümüne başvur.

Link to this sectionImageNette veri kümesinin bazı pratik uygulamaları nelerdir?#

ImageNette veri kümesi şuralarda yaygın olarak kullanılır:

• Eğitim Ortamları: Yeni başlayanlara makine öğrenimi ve bilgisayarlı görü temellerini öğretmek için.
• Yazılım Geliştirme: Görüntü sınıflandırma modellerinin hızlı prototiplenmesi ve geliştirilmesi için.
• Derin Öğrenme Araştırmaları: Çeşitli derin öğrenme modellerinin, özellikle Evrişimli Sinir Ağlarının (CNN'ler) performansını değerlendirmek ve kıyaslamak için.

Ayrıntılı kullanım durumları için Uygulamalar bölümünü keşfet.