Link to this sectionImageWoof Veri Kümesi#

The ImageWoof dataset is a subset of ImageNet consisting of 10 dog-breed classes that are deliberately hard to tell apart, created by fast.ai as a tougher challenge for image classification algorithms. It contains 12,954 color images — 9,025 for training and 3,929 for validation — across breeds such as Beagle, Shih-Tzu, and Golden retriever, pushing models to distinguish subtle fine-grained differences rather than obvious object categories.

Link to this sectionTemel 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.

Link to this sectionVeri 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.

Link to this sectionUygulamalar#

ImageWoof veri kümesi, derin öğrenme modellerini daha karmaşık ve benzer sınıflar üzerinde eğitmek ve değerlendirmek için yaygın olarak kullanılır. Zorluğu, köpek ırkları arasındaki ince farklarda yatar ve model performansının ve genelleştirme yeteneğinin sınırlarını zorlar. Özellikle şunlar için 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

Link to this sectionKullanım#

ImageWoof veri kümesi üzerinde 224x224 görüntü boyutuyla 100 epoch boyunca bir sınıflandırma modeli eğitmek için aşağıdaki kod parçacıklarını kullan. Mevcut argümanların kapsamlı bir listesi için model Eğitim sayfasına başvur.

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)

Link to this sectionVeri Kümesi Varyantları#

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

1. Tam Boyut (imagewoof): Nihai eğitim ve performans kıyaslaması için ideal olan, tam boyutlu görüntülere sahip orijinal sürüm.
2. Orta Boyut (imagewoof320): Maksimum kenar uzunluğu 320 piksele yeniden boyutlandırılmış görüntüler; model performansından önemli ölçüde ödün vermeden daha hızlı eğitim için uygundur.
3. Küçük Boyut (imagewoof160): Maksimum kenar uzunluğu 160 piksele yeniden boyutlandırılmış görüntüler; eğitim hızının öncelikli olduğu hızlı prototipleme ve denemeler için tasarlanmıştır.

Bu varyantları kullanmak için, veri kümesi 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 doğruluğu 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.

Link to this sectionÖrnek 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.

Link to this sectionAlıntılar ve Teşekkür#

ImageWoof veri kümesini araştırma veya geliştirme çalışmalarında kullanırsan, lütfen resmi veri kümesi deposuna bağlantı vererek veri kümesinin yaratıcılarını belirt.

We would like to acknowledge the fast.ai team for creating and maintaining ImageWoof as a valuable resource for the machine learning and computer vision research community. For more information about ImageWoof, visit the ImageWoof dataset repository.

Link to this sectionSSS#

Link to this sectionUltralytics içindeki ImageWoof veri kümesi nedir?#

ImageWoof veri kümesi, 10 köpek ırkına odaklanan ve 12.954 görüntü (9.025 eğitim ve 3.929 doğrulama) içeren zorlu bir ImageNet 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 içerir, bu da onu gelişmiş derin öğrenme modelleri geliştirmek için ideal kılar.

Link to this sectionImageWoof 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.

Link to this sectionUltralytics 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 ayrıntı için Eğitim sayfasına başvur.

Link to this sectionImageWoof veri kümesinin hangi sürümleri mevcuttur?#

ImageWoof veri kümesi üç boyutta gelir:

1. Tam Boyut (imagewoof): Tam boyutlu görüntüler içerir, nihai eğitim ve kıyaslama için idealdir.
2. Orta Boyut (imagewoof320): Maksimum kenar uzunluğu 320 piksele yeniden boyutlandırılmış görüntüler; daha hızlı eğitim için uygundur.
3. Küçük Boyut (imagewoof160): Maksimum kenar uzunluğu 160 piksele yeniden boyutlandırılmış görüntüler; hızlı prototipleme için mükemmeldir.

Bu sürümleri, veri kümesi argümanındaki imagewoof ifadesini buna göre değiştirerek kullan. Daha küçük görüntülerin daha düşük sınıflandırma doğruluğu sağlayabileceğini, ancak daha hızlı yinelemeler için yararlı olduğunu unutma.

Link to this sectionImageWoof 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.

Link to this sectionImageWoof veri kümesini kullanmanın temel zorlukları nelerdir?#

ImageWoof'un temel zorluğu, içerdiği köpek ırkları arasındaki ince farklarda yatar. Yakından ilişkili 10 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 aracı yapar.