ImageWoof Veri Kümesi#

ImageWoof veri seti, fast.ai tarafından görüntü sınıflandırma algoritmaları için daha zorlu bir meydan okuma olarak oluşturulan ve birbirinden ayırt edilmesi bilerek zor olan 10 köpek ırkı sınıfından oluşan bir ImageNet alt kümesidir. Beagle, Shih-Tzu ve Golden retriever gibi ırklar arasında eğitim için 9.025 ve doğrulama için 3.929 olmak üzere toplam 12.954 renkli görüntü içerir ve modelleri bariz nesne kategorileri yerine ince ayrıntılardaki farklılıkları ayırt etmeye zorlar.

Temel Özellikler#

• ImageWoof, 10 köpek ırkından oluşan 12.954 görüntü içerir: Australian terrier, Border terrier, Samoyed, Beagle, Shih-Tzu, English foxhound, Rhodesian ridgeback, Dingo, Golden retriever ve Old English sheepdog.
• Farklı hesaplama bütçelerine uyum sağlamak için çeşitli çözünürlüklerde (tam boyut, 320px, 160px) sunulan, önceden tanımlanmış 9.025 eğitim ve 3.929 doğrulama görüntüsü ayrımıyla birlikte gelir.
• Ayrıca etiketlerin her zaman güvenilir olmadığı daha gerçekçi bir senaryo sunan, gürültülü etiketlere sahip bir sürümü de içerir.

Veri Kümesi Yapısı#

ImageWoof, her köpek ırkının kendi klasöründe saklandığı, önceden tanımlanmış bir eğitim/doğrulama ayrımıyla gelir:

10 sınıfın tamamı köpek ırkı olduğundan, bu ayrım, tam ImageNet veri kümesinin geniş kapsamlı nesne tanıma görevinden ziyade, görsel olarak benzer kategorileri birbirinden ayıran ince detaylı sınıflandırmayı test etmek için tasarlanmıştır.

Uygulamalar#

ImageWoof veri kümesi, daha karmaşık ve benzer sınıflar üzerinde deep learning modellerini eğitmek ve değerlendirmek için yaygın olarak kullanılır. Zorluğu, köpek ırkları arasındaki ince ayrımlarda yatar ve model performansının ile genellemesinin sınırlarını zorlar. Özellikle şu açılardan değerlidir:

• İnce detaylı kategorilerde sınıflandırma performansını kıyaslama
• Modelin birbirine benzeyen sınıflara karşı sağlamlığını test etme
• İnce görsel farkları ayırt edebilen algoritmalar geliştirme
• Genel alanlardan özel alanlara aktarımlı öğrenmeyi değerlendirme

Kullanım#

ImageWoof veri kümesi üzerinde 224x224 görüntü boyutuyla 100 epochs boyunca bir sınıflandırma modeli eğitmek için aşağıdaki kod parçacıklarını kullan. 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="imagewoof", epochs=100, imgsz=224)

Veri Kümesi Varyantları#

ImageWoof, farklı araştırma ihtiyaçlarını ve hesaplama bütçelerini karşılamak için üç boyutta gelir:

1. Full Size (imagewoof): Tam boyutlu görüntülere sahip orijinal sürüm; son eğitim ve performans kıyaslaması (benchmark) için idealdir.
2. Medium Size (imagewoof320): Maksimum kenar uzunluğu 320 piksel olarak yeniden boyutlandırılmış görüntüler; model performansından büyük ölçüde ödün vermeden daha hızlı eğitim için uygundur.
3. Small Size (imagewoof160): Maksimum kenar uzunluğu 160 piksel olarak yeniden boyutlandırılmış görüntüler; eğitim hızının öncelikli olduğu hızlı prototipleme ve denemeler için tasarlanmıştır.

Bu varyantları kullanmak için dataset argümanındaki imagewoof ifadesini imagewoof320 veya imagewoof160 ile değiştirmen yeterlidir. Örneğin:

from ultralytics import YOLO

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

# For medium-sized dataset
model.train(data="imagewoof320", epochs=100, imgsz=224)

# For small-sized dataset
model.train(data="imagewoof160", epochs=100, imgsz=224)

Daha küçük görüntülerin muhtemelen daha düşük sınıflandırma accuracy sağlayacağını unutma, ancak bunlar model geliştirmenin ilk aşamalarında hızlıca yineleme yapmak için mükemmel bir yoldur. Ayrıca Ultralytics Platform ile sınıflandırma veri kümelerini yönetebilir ve bulutta eğitim çalıştırabilirsin.

Örnek Görüntüler ve Ek Açıklamalar#

ImageWoof veri kümesi, çeşitli köpek ırklarının renkli görüntülerini içerir ve görüntü sınıflandırma görevleri için zorlu bir veri kümesi sunar. İşte veri kümesinden bazı görüntü örnekleri:

Örnek, sınıflandırma görevinin karmaşıklığını ve zorluğunu vurgulayarak, farklı köpek ırkları arasındaki ince farkları ve benzerlikleri sergilemektedir.

Alıntılar ve Teşekkür#

ImageWoof veri kümesini araştırma veya geliştirme çalışmalarında kullanıyorsan, lütfen official dataset repository adresine bağlantı vererek veri kümesinin oluşturucularına atıfta bulun.

ImageWoof'u makine öğrenimi ve bilgisayarlı görü araştırma topluluğu için değerli bir kaynak olarak yarattığı ve sürdürdüğü için fast.ai ekibine teşekkür ederiz. ImageWoof hakkında daha fazla bilgi için ImageWoof veri seti deposunu ziyaret et.

SSS#

Ultralytics içindeki ImageWoof veri kümesi nedir?#

ImageWoof veri kümesi, 10 köpek ırkına odaklanan ve 12.954 görüntü (9.025 eğitim ve 3.929 doğrulama) içeren, ImageNet kümesinin zorlu bir alt kümesidir. Görüntü sınıflandırma modellerinin sınırlarını zorlamak için fast.ai tarafından oluşturulmuştur ve Beagle, Shih-Tzu ve Golden retriever gibi ırkları içerir. Veri kümesi çeşitli çözünürlüklerde (tam boyut, 320px, 160px) mevcuttur ve hatta daha gerçekçi eğitim senaryoları için gürültülü etiketler (noisy labels) barındırır; bu da onu gelişmiş derin öğrenme modelleri geliştirmek için ideal kılar.

ImageWoof kaç görüntüye ve köpek ırkına sahiptir?#

ImageWoof, toplamda 9.025 eğitim ve 3.929 doğrulama için olmak üzere, 10 köpek ırkı boyunca 12.954 görüntü içerir: Australian terrier, Border terrier, Samoyed, Beagle, Shih-Tzu, English foxhound, Rhodesian ridgeback, Dingo, Golden retriever ve Old English sheepdog. Her ırk, Ultralytics'in beklediği standart sınıflandırma düzenini izleyerek kendi klasöründe saklanır.

Ultralytics YOLO ile ImageWoof veri kümesini kullanarak nasıl model eğitebilirim?#

Ultralytics YOLO kullanarak ImageWoof veri kümesi üzerinde 224x224 görüntü boyutunda 100 epoch boyunca bir sınıflandırma modeli eğitmek için aşağıdaki kodu kullan:

from ultralytics import YOLO

model = YOLO("yolo26n-cls.pt")  # Load a pretrained model
results = model.train(data="imagewoof", epochs=100, imgsz=224)

Mevcut eğitim argümanları hakkında daha fazla detay için Training sayfasına göz at.

ImageWoof veri kümesinin hangi sürümleri mevcuttur?#

ImageWoof veri kümesi üç boyutta gelir:

1. Full Size (imagewoof): Tam boyutlu görüntüleri içeren; son eğitim ve kıyaslama (benchmarking) için ideal olan sürüm.
2. Medium Size (imagewoof320): Maksimum kenar uzunluğu 320 piksel olan yeniden boyutlandırılmış görüntüler; daha hızlı eğitim için uygundur.
3. Small Size (imagewoof160): Maksimum kenar uzunluğu 160 piksel olan yeniden boyutlandırılmış görüntüler; hızlı prototipleme için mükemmeldir.

Dataset argümanındaki imagewoof ifadesini uygun şekilde değiştirerek bu sürümleri kullan. Daha küçük görüntülerin daha düşük sınıflandırma accuracy sağlayabileceğini ancak daha hızlı yinelemeler için yararlı olduğunu unutma.

ImageWoof veri kümesindeki gürültülü etiketler eğitime nasıl fayda sağlar?#

ImageWoof veri kümesindeki gürültülü etiketler, etiketlerin her zaman doğru olmadığı gerçek dünya koşullarını simüle eder. Modelleri bu verilerle eğitmek, görüntü sınıflandırma görevlerinde sağlamlık ve genelleştirme yeteneği geliştirmeye yardımcı olur. Modelleri, pratik uygulamalarda sıkça karşılaşılan belirsiz veya yanlış etiketlenmiş verileri etkili bir şekilde ele almaya hazırlar.

ImageWoof veri kümesini kullanmanın temel zorlukları nelerdir?#

ImageWoof'un temel zorluğu, içeren köpek ırkları arasındaki ince farklılıklarda yatar. Birbiriyle yakından ilişkili 10 ırka odaklandığı için, bunları birbirinden ayırt etmek daha gelişmiş ve ince ayar yapılmış görüntü sınıflandırma modelleri gerektirir. Bu durum ImageWoof'u deep learning modellerinin yeteneklerini ve gelişimlerini test etmek için mükemmel bir kıyaslama (benchmark) aracı haline getirir.