ImageNette Veri Kümesi#

13,394

Imagenette

ultralytics

publicClassify

Imagenette is fast.ai's ten-class ImageNet subset designed for faster classification experiments. Its human-readable classes include tench, English springer, church, chain saw, French horn, garbage truck, gas pump, golf ball, parachute, and cassette player.

10 classes944.7 MBSep 2, 2026

tenchEnglish springercassette playerchain saw+6

image-classificationimagenetteimagenet+1

ImageNette veri kümesi, yazılım geliştirme ve eğitim için ImageNet'in daha hızlı ve kullanımı kolay bir sürümünü sunmak amacıyla fast.ai tarafından oluşturulan, kolayca ayırt edilebilen 10 sınıfa sahip ImageNet alt kümesidir. Veri kümesi, tench, İngiliz springer spanieli, kasetçalar ve Fransız kornosu gibi sınıflara yayılan 13.394 renkli görüntü içerir; bunların 9.469'u eğitim, 3.925'i doğrulama için kullanılır. Böylece görüntü sınıflandırma modelleri, 1.000 sınıflı ImageNet'in gerektirdiği saatler yerine dakikalar içinde eğitilir.

Temel Özellikler#

• ImageNette, 10 sınıfa yayılan 13.394 görüntü içerir: tench, İngiliz springer spanieli, kasetçalar, motorlu testere, kilise, Fransız kornosu, çöp kamyonu, benzin pompası, golf topu ve paraşüt.
• Veri kümesi, farklı boyutlara sahip 9.469 eğitim ve 3.925 doğrulama renkli görüntüsünden oluşan önceden tanımlanmış bir bölümlendirmeyle birlikte gelir.
• Birbirinden iyi ayrılmış 10 sınıf, ImageNette'in hızlı eğitilmesini ve anlaşılmasını kolaylaştırır; bu nedenle görüntü sınıflandırma için prototip oluşturma ve öğretim süreçlerinde yaygın olarak kullanılır.

Veri Kümesi Yapısı#

ImageNette, her sınıfın kendi klasöründe depolandığı, önceden tanımlanmış bir eğitim/doğrulama bölümlendirmesiyle birlikte gelir:

Görüntülerin kesin sayısı sınıfa göre değişir; bu da tam ImageNet veri kümesinin ölçeğine ihtiyaç duymadan hızlı eğitim ve kıyaslama için gerçekçi bir dağılım sağlar.

Uygulamalar#

ImageNette veri kümesi, görüntü sınıflandırma görevlerinde derin öğrenme modellerini, örneğin Evrişimli Sinir Ağlarını (CNN'ler) ve diğer makine öğrenimi algoritmalarını eğitmek ve değerlendirmek için yaygın olarak kullanılır. Anlaşılır biçimi ve özenle seçilmiş sınıfları, makine öğrenimi ve bilgisayarlı görü alanlarındaki hem yeni başlayanlar hem de deneyimli uygulayıcılar için kullanışlı bir kaynak olmasını sağlar.

Kullanım#

ImageNette veri kümesi üzerinde standart 224x224 görüntü boyutuyla 100 epoch boyunca model eğitmek için aşağıdaki kod parçacıklarını kullanabilirsin. Kullanılabilir bağımsız değişkenlerin kapsamlı listesi için modelin Eğitim sayfasına bakabilirsin.

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 Açıklamalar#

ImageNette veri kümesi, çeşitli nesne ve sahnelerin renkli görüntülerini içerir ve görüntü sınıflandırma görevleri için çeşitli bir veri kümesi sunar. Aşağıda veri kümesindeki görüntülerden bazı örnekler yer alır:

Örnek, ImageNette veri kümesindeki görüntülerin çeşitliliğini ve karmaşıklığını göstererek dayanıklı görüntü sınıflandırma modellerini eğitmek için çeşitli bir veri kümesinin önemini vurgular.

ImageNette160 ve ImageNette320#

Daha hızlı prototip oluşturma ve eğitim için ImageNette, iki küçültülmüş boyutta da sunulur: ImageNette160 ve ImageNette320. Bu veri kümeleri, tam ImageNette ile aynı sınıfları ve yapıyı korur; ancak görüntüler daha küçük bir maksimum kenar uzunluğuna yeniden boyutlandırılır. Özellikle ön model testi veya hesaplama kaynaklarının sınırlı olduğu durumlar için kullanışlıdır.

Bu veri kümelerini kullanmak için eğitim komutunda imagenette yerine imagenette160 veya imagenette320 yazman yeterlidir. Aşağıdaki kod parçacıkları bunu gösterir:

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 küçük sürümleri, gerçekçi görüntü sınıflandırma görevleri sunmaya devam ederken geliştirme sırasında hızlı yinelemeler yapılmasını sağlar. Ayrıca sınıflandırma veri kümelerini yönetebilir ve Ultralytics Platform ile bulutta eğitim çalıştırabilirsin.

Atıflar ve Teşekkürler#

ImageNette veri kümesini araştırma veya geliştirme çalışmalarında kullanıyorsan lütfen uygun şekilde atıfta bulun. ImageNette hakkında daha fazla bilgi için ImageNette veri kümesinin GitHub sayfasını ziyaret edebilirsin.

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

SSS#