ImageNette Veri Kümesi#
ImageNette veri seti, yazılım geliştirme ve eğitim için ImageNet'in daha hızlı, kullanımı daha kolay bir versiyonunu sağlamak amacıyla fast.ai tarafından oluşturulan, kolayca ayırt edilebilir 10 sınıfa sahip bir ImageNet alt kümesidir. Tam 1,000 sınıflı ImageNet'in gerektirdiği saatler süren eğitimler yerine image classification modellerinin dakikalar içinde eğitilebilmesi için eğitim için 9.469 ve doğrulama için 3.925 olmak üzere toplam 13.394 renkli görüntü içerir ve sınıfları kadife balığı (tench), İngiliz springer'ı, kasetçalar ve korno gibi kategorileri kapsar.
Temel 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.
Veri Kümesi Yapısı#
ImageNette, her sınıfın kendi klasöründe saklandığı önceden tanımlanmış bir eğitim/doğrulama bölünmesiyle gelir:
| Bölüm | Görüntüler | Sınıflar |
|---|---|---|
| Eğit (Train) | 9,469 | 10 |
| Doğrulama | 3,925 | 10 |
Görüntülerin tam sayısı sınıfa göre değişir ve tam ImageNet veri kümesinin ölçeği olmadan hızlı eğitim ve kıyaslama için gerçekçi bir dağılım sağlar.
Uygulamalar#
ImageNette veri kümesi, deep learning modellerini Convolutional Neural Networks (CNN'ler) ve diğer makine öğrenimi algoritmaları gibi görüntü sınıflandırma görevlerinde eğitmek ve değerlendirmek için yaygın olarak kullanılır. Sade biçimi ve özenle seçilmiş sınıfları, onu machine learning ve computer vision alanlarındaki hem yeni başlayanlar hem de deneyimli uygulayıcılar için kullanışlı bir kaynak haline getirir.
Kullanım#
Bir modeli ImageNette veri seti üzerinde 224x224 standart görüntü boyutuyla 100 epochs boyunca eğitmek için aşağıdaki kod parçacıklarını kullanabilirsin. Mevcut argümanların kapsamlı bir listesi için model Training sayfasına göz at.
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)Örnek Görüntüler ve Ek Açıklamalar#
ImageNette veri seti, çeşitli nesne ve sahnelerin renkli görüntülerini içerir ve image classification görevleri için zengin bir veri seti sunar. Veri setinden bazı görüntü örnekleri şunlardır:
Bu örnek, ImageNette veri kümesindeki görüntülerin çeşitliliğini ve karmaşıklığını sergileyerek, sağlam görüntü sınıflandırma modelleri eğitmek için çeşitli bir veri kümesinin önemini vurgular.
ImageNette160 ve ImageNette320#
Daha hızlı prototipleme ve eğitim için ImageNette, iki küçültülmüş boyutta da mevcuttur: ImageNette160 ve ImageNette320. Bu veri setleri tam ImageNette ile aynı sınıfları ve yapıyı korur, ancak görüntüler daha küçük bir maksimum kenar uzunluğuna yeniden boyutlandırılmıştır. Özellikle ön hazırlık model testleri için veya hesaplama kaynakları kısıtlı olduğunda çok faydalıdırlar.
Bu veri setlerini kullanmak için eğitim komutunda 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, gerçekçi görüntü sınıflandırma görevleri sunmaya devam ederken geliştirme sırasında hızlı yinelemelere olanak tanır. Ayrıca Ultralytics Platform ile bulutta sınıflandırma veri kümelerini yönetebilir ve eğitim çalıştırabilirsin.
Alıntılar ve Teşekkür#
ImageNette veri setini araştırma veya geliştirme çalışmalarında kullanırsan lütfen uygun şekilde atıfta bulun. ImageNette hakkında daha fazla bilgi için ImageNette dataset GitHub page adresini ziyaret et.
ImageNette'i machine learning ve computer vision araştırma topluluğu için değerli bir kaynak olarak oluşturduğu ve sürdürdüğü için fast.ai ekibine teşekkür ederiz.
SSS#
ImageNette dataset, tench, English springer ve French horn gibi kolayca ayırt edilebilir 10 sınıfa sahip, ImageNet veri kümesinin 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 hızlı yazılım geliştirme ve machine learning ile bilgisayarla görü alanındaki eğitim amaçları için yararlı kılar.
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.
ImageNette üzerinde 100 epochs boyunca bir YOLO modeli eğitmek için aşağıdaki komutları kullan. Ultralytics YOLO ortamının ayarlanmış olduğundan emin ol.
Eğitim Örneğifrom 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 Training belgelendirme sayfasına bak.
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: Görüntü sınıflandırma modellerini, özellikle Convolutional Neural Networks (CNN'leri) eğitmek ve kıyaslamak için yaygın olarak kullanılır.
Model eğitimi ve veri seti yönetimi hakkında daha fazla ayrıntı için Dataset Structure bölümünü incele.
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.
ImageNette160 ile Eğitim Örneğifrom 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 Training with ImageNette160 and ImageNette320 bölümüne göz at.
ImageNette veri kümesi şuralarda yaygın olarak kullanılır:
- Eğitim Ortamları: Yeni başlayanlara makine öğrenimi ve computer vision temellerini öğretmek için.
- Yazılım Geliştirme: Görüntü sınıflandırma modellerinin hızlı prototiplenmesi ve geliştirilmesi için.
- Derin Öğrenme Araştırması: Çeşitli derin öğrenme modellerinin, özellikle Convolutional Neural Networks (CNN'lerin) performansını değerlendirmek ve kıyaslamak için.
Ayrıntılı kullanım senaryoları için Applications bölümünü keşfet.