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 oluşturulmuş, kolayca ayırt edilebilen 10 sınıflı bir ImageNet alt kümesidir. Tench, İngiliz springer spanieli, kasetçalar ve Fransız kornosu gibi sınıfları kapsayan 13.394 renkli görüntü içerir — 9.469'u eğitim, 3.925'i doğrulama içindir; böylece görüntü sınıflandırma modelleri, tam 1.000 sınıflı ImageNet'in gerektirdiği saatler yerine dakikalar içinde eğitilir.

Temel Özellikler#

• ImageNette, 10 sınıfta 13.394 görüntü içerir: tench, İngiliz springer spanieli, kasetçalar, motorlu testere, kilise, Fransız kornosu, çöp kamyonu, benzin pompası, golf topu ve paraşüt.
• Önceden tanımlanmış bölme düzeniyle, farklı boyutlarda 9.469 eğitim ve 3.925 doğrulama renkli görüntüsü sunulur.
• Birbirinden belirgin şekilde ayrılan 10 sınıf, ImageNette'i hızlı eğitilebilir ve kavranması kolay bir veri kümesi hâline getirir; bu nedenle görüntü sınıflandırma prototipleri ve öğretimi için yaygın olarak kullanılır.

Veri Kümesi Yapısı#

ImageNette, her sınıfın kendi klasöründe saklandığı, önceden tanımlı bir eğitim/doğrulama bölmesiyle sunulur:

Görüntülerin tam sayısı sınıfa göre değişir; böylece tam ImageNet veri kümesinin ölçeğine ulaşmadan hızlı eğitim ve kıyaslama için gerçekçi bir dağılım sağlanır.

Uygulamalar#

ImageNette veri kümesi, Evrişimli Sinir Ağları (CNNs) ve diğer makine öğrenimi algoritmaları gibi derin öğrenme modellerini görüntü sınıflandırma görevlerinde eğitmek ve değerlendirmek için yaygın olarak kullanılır. Basit biçimi ve özenle seçilmiş sınıfları, makine öğrenimi ve bilgisayarlı görü alanlarında hem yeni başlayanlar hem de deneyimli uygulayıcılar için kullanışlı bir kaynak olmasını sağlar.

Kullanım#

ImageNette veri kümesinde bir modeli 100 epoch boyunca 224x224 standart görüntü boyutuyla eğitmek için aşağıdaki kod parçacıklarını kullanabilirsin. Kullanılabilir bağımsız değişkenlerin kapsamlı listesi için modelin Eğitim sayfasına bak.

from ultralytics import YOLO

# Bir model yükle
model = YOLO("yolo26n-cls.pt")  # Önceden eğitilmiş bir model yükle (eğitim için önerilir)

# Modeli eğit
results = model.train(data="imagenette", epochs=100, imgsz=224)

Örnek Görüntüler ve Ek Açıklamalar#

ImageNette veri kümesi, çeşitli nesne ve sahnelerin renkli görüntülerini içererek görüntü sınıflandırma görevleri için çeşitli bir veri kümesi sunar. Veri kümesindeki bazı görüntü örnekleri:

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

ImageNette160 ve ImageNette320#

Daha hızlı prototipleme ve eğitim için ImageNette, küçültülmüş iki 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 göre yeniden boyutlandırılır. Ön model testlerinde veya işlem kaynaklarının kısıtlı olduğu durumlarda özellikle kullanışlıdırlar.

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

from ultralytics import YOLO

# Bir model yükle
model = YOLO("yolo26n-cls.pt")  # Önceden eğitilmiş bir model yükle (eğitim için önerilir)

# Modeli ImageNette160 ile eğit
results = model.train(data="imagenette160", epochs=100, imgsz=160)

from ultralytics import YOLO

# Bir model yükle
model = YOLO("yolo26n-cls.pt")  # Önceden eğitilmiş bir model yükle (eğitim için önerilir)

# Modeli ImageNette320 ile eğit
results = model.train(data="imagenette320", epochs=100, imgsz=320)

Veri kümesinin bu daha küçük sürümleri, gerçekçi görüntü sınıflandırma görevleri sunmayı sürdürürken geliştirme sırasında hızlı yinelemelere olanak tanır. Sınıflandırma veri kümelerini yönetebilir ve eğitimi bulutta çalıştırmak için Ultralytics Platform kullanabilirsin.

Atıflar ve Teşekkürler#

ImageNette veri kümesini araştırma veya geliştirme çalışmalarında kullanıyorsan lütfen uygun şekilde kaynak göster. ImageNette hakkında daha fazla bilgi için ImageNette veri kümesinin GitHub sayfasını ziyaret et.

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

Sık Sorulan Sorular#