ImageWoof Veri Seti
ImageWoof veri seti, ImageNet'in tamamı köpek ırklarından oluşan ve sınıflandırılması zor 10 sınıftan meydana gelen bir alt kümesidir. görüntü sınıflandırma algoritmalarının çözmesi için daha zorlu bir görev olarak oluşturulmuş olup daha gelişmiş modellerin geliştirilmesini teşvik etmeyi amaçlar.
Temel Özellikler
- ImageWoof, 10 farklı köpek ırkının görüntülerini içerir: Australian terrier, Border terrier, Samoyed, Beagle, Shih-Tzu, English foxhound, Rhodesian ridgeback, Dingo, Golden retriever ve Old English sheepdog.
- Veri seti, farklı hesaplama kapasiteleri ve araştırma ihtiyaçlarına uyum sağlamak için çeşitli çözünürlüklerde (tam boyut, 320px, 160px) görüntüler sunar.
- Ayrıca, etiketlerin her zaman güvenilir olmayabileceği daha gerçekçi bir senaryo sunan gürültülü etiketlere sahip bir sürümü de içerir.
Veri Kümesi Yapısı
ImageWoof veri seti yapısı, her ırkın kendi görüntü dizinine sahip olduğu köpek ırkı sınıflarına dayanır. Diğer sınıflandırma veri setlerine benzer şekilde, eğitim ve doğrulama setleri için ayrı klasörler içeren bir ayrık dizin formatını takip eder.
Uygulamalar
ImageWoof veri seti, özellikle daha karmaşık ve benzer sınıflar söz konusu olduğunda, görüntü sınıflandırma görevlerinde derin öğrenme modellerini eğitmek ve değerlendirmek için yaygın olarak kullanılır. Veri setinin zorluğu, köpek ırkları arasındaki ince farklarda yatar ve model performansı ile genellemenin sınırlarını zorlar. Özellikle şunlar için değerlidir:
- İnce taneli kategorilerde sınıflandırma modeli performansının karşılaştırılması
- Model dayanıklılığının benzer görünümlü sınıflara karşı test edilmesi
- İnce görsel farklılıkları ayırt edebilen algoritmaların geliştirilmesi
- Genel alanlardan belirli alanlara transfer öğrenme yeteneklerinin değerlendirilmesi
Kullanım
Bir CNN modelini 224x224 görüntü boyutu ile 100 epoch boyunca ImageWoof veri setinde eğitmek için aşağıdaki kod parçacıklarını kullanabilirsin. Mevcut argümanların kapsamlı bir listesi için 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="imagewoof", epochs=100, imgsz=224)Veri Seti Varyantları
ImageWoof veri seti, çeşitli araştırma ihtiyaçlarını ve hesaplama kapasitelerini karşılamak için üç farklı boyutta gelir:
-
Tam Boyut (imagewoof): Bu, ImageWoof veri setinin orijinal sürümüdür. Tam boyutlu görüntüleri içerir ve son eğitim ve performans kıyaslaması için idealdir.
-
Orta Boyut (imagewoof320): Bu sürüm, maksimum kenar uzunluğu 320 piksel olacak şekilde yeniden boyutlandırılmış görüntüler içerir. Model performansından önemli ölçüde ödün vermeden daha hızlı eğitim için uygundur.
-
Küçük Boyut (imagewoof160): Bu sürüm, maksimum kenar uzunluğu 160 piksel olacak şekilde yeniden boyutlandırılmış görüntüler içerir. Eğitim hızının öncelikli olduğu hızlı prototipleme ve denemeler için tasarlanmıştır.
Bu varyantları eğitiminde kullanmak için, veri seti 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 görüntüler kullanmanın sınıflandırma doğruluğu açısından muhtemelen daha düşük performans vereceğini unutmamak önemlidir. Ancak, model geliştirme ve prototiplemenin ilk aşamalarında hızlı bir şekilde yineleme yapmak için mükemmel bir yoldur.
Örnek Görüntüler ve Ek Açıklamalar
ImageWoof veri seti, görüntü sınıflandırma görevleri için zorlu bir veri seti sağlayan çeşitli köpek ırklarının renkli görüntülerini içerir. İşte veri setinden bazı görüntü örnekleri:
Bu örnek, ImageWoof veri setindeki farklı köpek ırkları arasındaki ince farkları ve benzerlikleri sergileyerek sınıflandırma görevinin karmaşıklığını ve zorluğunu vurgular.
Alıntılar ve Teşekkür
ImageWoof veri setini araştırma veya geliştirme çalışmalarında kullanırsan, lütfen resmi veri seti deposuna bağlantı vererek veri setinin yaratıcılarına atıfta bulunduğundan emin ol.
FastAI ekibine, ImageWoof veri setini makine öğrenimi ve bilgisayarlı görü araştırma topluluğu için değerli bir kaynak olarak oluşturdukları ve sürdürdükleri için teşekkür ederiz. ImageWoof veri seti hakkında daha fazla bilgi için ImageWoof veri seti deposunu ziyaret et.
SSS
Ultralytics'te ImageWoof veri seti nedir?
ImageWoof veri seti, 10 özel köpek ırkına odaklanan ImageNet'in zorlu bir alt kümesidir. Görüntü sınıflandırma modellerinin sınırlarını zorlamak için oluşturulmuş olup Beagle, Shih-Tzu ve Golden Retriever gibi ırkları içerir. Veri seti, çeşitli çözünürlüklerde (tam boyut, 320px, 160px) görüntüler ve hatta daha gerçekçi eğitim senaryoları için gürültülü etiketler içerir. Bu karmaşıklık, ImageWoof'u daha gelişmiş derin öğrenme modelleri geliştirmek için ideal hale getirir.
Ultralytics YOLO ile ImageWoof veri setini kullanarak nasıl model eğitebilirim?
Ultralytics YOLO kullanarak ImageWoof veri seti üzerinde 224x224 görüntü boyutunda 100 epoch boyunca bir Evrişimli Sinir Ağı (CNN) modeli eğitmek için aşağıdaki kodu kullanabilirsin:
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 ayrıntı için Eğitim sayfasına bak.
ImageWoof veri setinin hangi sürümleri mevcut?
ImageWoof veri seti üç boyutta gelir:
- Tam Boyut (imagewoof): Tam boyutlu görüntüleri içerir, son eğitim ve kıyaslama için idealdir.
- Orta Boyut (imagewoof320): Maksimum kenar uzunluğu 320 piksel olan yeniden boyutlandırılmış görüntüler, daha hızlı eğitim için uygundur.
- Küçük Boyut (imagewoof160): Maksimum kenar uzunluğu 160 piksel olan yeniden boyutlandırılmış görüntüler, hızlı prototipleme için mükemmeldir.
Bu sürümleri, veri seti argümanındaki 'imagewoof' ifadesini buna göre değiştirerek kullan. Ancak, daha küçük görüntülerin daha düşük sınıflandırma doğruluğu verebileceğini, ancak daha hızlı yinelemeler için yararlı olabileceğini unutma.
ImageWoof veri setindeki gürültülü etiketler eğitime nasıl fayda sağlar?
ImageWoof veri setindeki gürültülü etiketler, etiketlerin her zaman doğru olmayabileceği gerçek dünya koşullarını simüle eder. Modelleri bu verilerle eğitmek, görüntü sınıflandırma görevlerinde dayanıklılık ve genelleme geliştirmeye yardımcı olur. Bu, modelleri, pratik uygulamalarda sıklıkla karşılaşılan belirsiz veya yanlış etiketlenmiş verileri etkili bir şekilde ele almaya hazırlar.
ImageWoof veri setini kullanmanın temel zorlukları nelerdir?
ImageWoof veri setinin temel zorluğu, içerdiği köpek ırkları arasındaki ince farklarda yatar. 10 yakından ilişkili ırka odaklandığı için, bunları birbirinden ayırt etmek daha gelişmiş ve ince ayarlı görüntü sınıflandırma modelleri gerektirir. Bu, ImageWoof'u derin öğrenme modellerinin yeteneklerini ve iyileştirmelerini test etmek için mükemmel bir kıyaslama haline getirir.