ImageNette Veri Kümesi

ImageNette veri kümesi, daha büyük Imagenet veri kümesinin bir alt kümesidir, ancak yalnızca kolayca ayırt edilebilen 10 sınıf içerir. Yazılım geliştirme ve eğitim için Imagenet'in daha hızlı, kullanımı daha kolay bir versiyonunu sağlamak amacıyla oluşturulmuştur.

Temel Özellikler

• ImageNette, tench, English springer, kaset çalar, zincir testere, kilise, Fransız kornası, çöp kamyonu, gaz pompası, golf topu, paraşüt gibi 10 farklı sınıftan görüntüler içerir.
• Veri kümesi, farklı boyutlarda renkli görüntülerden oluşmaktadır.
• ImageNette, özellikle görüntü sınıflandırma görevleri için makine öğrenimi alanında eğitim ve test için yaygın olarak kullanılmaktadır.

Veri Kümesi Yapısı

ImageNette veri kümesi iki alt kümeye ayrılmıştır:

1. Eğitim Seti: Bu alt küme, makine öğrenimi modellerini eğitmek için kullanılan birkaç bin görüntü içerir. Kesin sayı sınıfa göre değişir.
2. Doğrulama Kümesi: Bu alt küme, eğitilen modelleri doğrulamak ve kıyaslamak için kullanılan birkaç yüz görüntüden oluşur. Yine, kesin sayı sınıfa göre değişir.

Uygulamalar

ImageNette veri seti, Konvolüsyonel Sinir Ağları (CNN'ler) ve diğer çeşitli makine öğrenimi algoritmaları gibi görüntü sınıflandırma görevlerinde derin öğrenme modellerini eğitmek ve değerlendirmek için yaygın olarak kullanılmaktadır. Veri setinin basit formatı ve iyi seçilmiş sınıfları, onu makine öğrenimi ve bilgisayarla görme alanında hem yeni başlayanlar hem de deneyimli uygulayıcılar için kullanışlı bir kaynak haline getirmektedir.

Kullanım

Bir modeli ImageNette veri kümesi üzerinde 224x224 standart görüntü boyutuyla 100 epoch için eğitmek için aşağıdaki kod parçacıklarını kullanabilirsiniz. Kullanılabilir argümanların kapsamlı bir listesi için Model Eğitimi sayfasına bakın.

from ultralytics import YOLO

# Load a model
model = YOLO('yolov8n-cls.pt')  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data='imagenette', epochs=100, imgsz=224)

# Start training from a pretrained *.pt model
yolo detect train data=imagenette model=yolov8n-cls.pt epochs=100 imgsz=224

Örnek Görüntüler ve Açıklamalar

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

Örnek, ImageNette veri kümesindeki görüntülerin çeşitliliğini ve karmaşıklığını sergileyerek, sağlam görüntü sınıflandırma modellerinin eğitimi için çeşitli bir veri kümesinin önemini vurgulamaktadır.

ImageNette160 ve ImageNette320

Daha hızlı prototip oluşturma ve eğitim için ImageNette veri kümesi iki küçültülmüş boyutta da mevcuttur: ImageNette160 ve ImageNette320. Bu veri kümeleri tam ImageNette veri kümesi ile aynı sınıfları ve yapıyı korur, ancak görüntüler daha küçük bir boyuta yeniden boyutlandırılır. Bu nedenle, veri setinin bu sürümleri özellikle ön model testi için veya hesaplama kaynaklarının sınırlı olduğu durumlarda kullanışlıdır.

Bu veri kümelerini kullanmak için, eğitim komutunda 'imagenette' yerine 'imagenette160' veya 'imagenette320' yazmanız yeterlidir. Aşağıdaki kod parçacıkları bunu göstermektedir:

from ultralytics import YOLO

# Load a model
model = YOLO('yolov8n-cls.pt')  # load a pretrained model (recommended for training)

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

# Start training from a pretrained *.pt model with ImageNette160
yolo detect train data=imagenette160 model=yolov8n-cls.pt epochs=100 imgsz=160

from ultralytics import YOLO

# Load a model
model = YOLO('yolov8n-cls.pt')  # load a pretrained model (recommended for training)

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

# Start training from a pretrained *.pt model with ImageNette320
yolo detect train data=imagenette320 model=yolov8n-cls.pt epochs=100 imgsz=320

Veri setinin bu küçük versiyonları, geliştirme sürecinde hızlı yinelemelere olanak sağlarken, değerli ve gerçekçi görüntü sınıflandırma görevleri sunmaya devam etmektedir.

Atıflar ve Teşekkür

Araştırma veya geliştirme çalışmalarınızda ImageNette veri setini kullanırsanız, lütfen uygun şekilde teşekkür edin. ImageNette veri seti hakkında daha fazla bilgi için ImageNette veri seti GitHub sayfasını ziyaret edin.

Yorumlar