ImageWoof Veri Kümesi#

12,951

ImageWoof

ultralytics

publicClassify

ImageWoof is fast.ai's fine-grained ImageNet subset spanning ten visually similar dog breeds. It provides a compact but challenging classification benchmark for learning subtle differences in coat, head shape, body structure, pose, and background context.

10 classes884 MBSep 2, 2026

Shih-TzuRhodesian ridgebackBeagleEnglish foxhound+6

image-classificationimagewoofimagenet+2

ImageWoof veri kümesi, birbirinden ayırt edilmesi özellikle zor 10 köpek ırkı sınıfından oluşan bir ImageNet alt kümesidir. fast.ai tarafından, görüntü sınıflandırma algoritmaları için daha zorlu bir meydan okuma sunmak amacıyla oluşturulmuştur. Beagle, Shih-Tzu ve Golden retriever gibi ırklardan 12.954 renkli görüntü içerir — 9.025'i eğitim, 3.929'u doğrulama içindir — ve modelleri belirgin nesne kategorileri yerine ince ayrıntı farklılıklarını ayırt etmeye zorlar.

Temel Özellikler#

• ImageWoof, 10 köpek ırkından toplam 12.954 görüntü içerir: Avustralya teriyeri, Border teriyeri, Samoyed, Beagle, Shih-Tzu, İngiliz tilki tazısı, Rhodesian ridgeback, Dingo, Golden retriever ve Eski İngiliz çoban köpeği.
• Önceden tanımlanmış bölme düzeniyle 9.025 eğitim ve 3.929 doğrulama görüntüsü sunulur; farklı işlem bütçelerine uyum sağlamak için çeşitli çözünürlüklerde (tam boyut, 320px, 160px) kullanılabilir.
• Ayrıca etiketlerin her zaman güvenilir olmadığı daha gerçekçi bir senaryo sunan, gürültülü etiketlere sahip bir sürüm de içerir.

Veri Kümesi Yapısı#

ImageWoof, her köpek ırkının kendi klasöründe saklandığı, önceden tanımlı bir eğitim/doğrulama bölmesiyle sunulur:

10 sınıfın tümü köpek ırklarından oluştuğundan, bölme düzeni tam ImageNet veri kümesindeki geniş kapsamlı nesne tanıma yerine ince ayrıntılı sınıflandırmayı — görsel olarak benzer kategorileri ayırt etmeyi — sınamak üzere tasarlanmıştır.

Uygulamalar#

ImageWoof veri kümesi, daha karmaşık ve birbirine benzeyen sınıflar üzerinde derin öğrenme modellerini eğitmek ve değerlendirmek için yaygın olarak kullanılır. Zorluğu, köpek ırkları arasındaki ince farklardan kaynaklanır; bu da model performansını ve genelleme yeteneğini sınırlarına kadar zorlar. Özellikle şu amaçlar için değerlidir:

• İnce ayrıntılı kategorilerde sınıflandırma performansını kıyaslamak
• Benzer görünümlü sınıflara karşı model sağlamlığını sınamak
• İnce görsel farklılıkları ayırt edebilen algoritmalar geliştirmek
• Genel alanlardan belirli alanlara aktarım öğrenmesini değerlendirmek

Kullanım#

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

Veri Kümesi Çeşitleri#

ImageWoof, farklı araştırma ihtiyaçlarına ve işlem bütçelerine uyum sağlamak için üç boyutta sunulur:

1. Tam Boyut (imagewoof): Tam boyutlu görüntüler içeren orijinal sürüm; son eğitim ve performans kıyaslaması için idealdir.
2. Orta Boyut (imagewoof320): Görüntüler maksimum 320 piksel kenar uzunluğuna göre yeniden boyutlandırılır; model performansından önemli ölçüde ödün vermeden daha hızlı eğitim için uygundur.
3. Küçük Boyut (imagewoof160): Görüntüler maksimum 160 piksel kenar uzunluğuna göre yeniden boyutlandırılır; eğitim hızının öncelikli olduğu hızlı prototipleme ve denemeler için tasarlanmıştır.

Bu çeşitleri kullanmak için veri kümesi bağımsız değişkeninde imagewoof yerine imagewoof320 veya imagewoof160 yazman yeterlidir. Örneğin:

from ultralytics import YOLO

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

# Orta boyutlu veri kümesi için
model.train(data="imagewoof320", epochs=100, imgsz=224)

# Küçük boyutlu veri kümesi için
model.train(data="imagewoof160", epochs=100, imgsz=224)

Daha küçük görüntülerin sınıflandırma doğruluğu muhtemelen daha düşük olacaktır, ancak model geliştirmenin ilk aşamalarında hızlı yineleme yapmak için mükemmel bir yöntemdir. Sınıflandırma veri kümelerini yönetebilir ve eğitimi bulutta çalıştırmak için Ultralytics Platform kullanabilirsin.

Örnek Görüntüler ve Ek Açıklamalar#

ImageWoof veri kümesi, çeşitli köpek ırklarının renkli görüntülerini içererek görüntü sınıflandırma görevleri için zorlu bir veri kümesi sunar. Veri kümesindeki bazı görüntü örnekleri:

Bu örnek, farklı köpek ırkları arasındaki ince farkları ve benzerlikleri göstererek sınıflandırma görevinin karmaşıklığını ve zorluğunu vurgular.

Atıflar ve Teşekkürler#

ImageWoof veri kümesini araştırma veya geliştirme çalışmalarında kullanıyorsan lütfen veri kümesinin oluşturucularına resmî veri kümesi deposuna bağlantı vererek atıfta bulun.

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

Sık Sorulan Sorular#