ImageWoof Veri Kümesi

ImageWoof veri kümesi, ImageNet'in, hepsi köpek cinsi olduğu için sınıflandırılması zor olan 10 sınıftan oluşan bir alt kümesidir. Daha gelişmiş modellerin geliştirilmesini teşvik etmek amacıyla görüntü sınıflandırma algoritmalarının çözmesi için daha zor bir görev olarak oluşturulmuştur.

Temel Özellikler

• ImageWoof 10 farklı köpek ırkının resimlerini içerir: Avustralya teriyeri, Border teriyeri, Samoyed, Beagle, Shih-Tzu, English foxhound, Rhodesian ridgeback, Dingo, Golden retriever ve Old English sheepdog.
• Veri seti, farklı hesaplama yeteneklerine ve araştırma ihtiyaçlarına uyum sağlayan çeşitli çözünürlüklerde (tam boyut, 320 piksel, 160 piksel) görüntüler sağlar.
• Ayrıca, etiketlerin her zaman güvenilir olmayabileceği daha gerçekçi bir senaryo sağlayan gürültülü etiketlere sahip bir versiyon da içerir.

Veri Kümesi Yapısı

ImageWoof veri kümesi yapısı, köpek cinsi sınıflarına dayanmaktadır ve her cinsin kendi görüntü dizini vardır.

Uygulamalar

ImageWoof veri kümesi, özellikle daha karmaşık ve benzer sınıflar söz konusu olduğunda, görüntü sınıflandırma görevlerinde derin öğrenme modellerini eğitmek ve değerlendirmek için yaygın olarak kullanılmaktadır. Veri setinin zorluğu, köpek ırkları arasındaki ince farklılıklarda yatmakta ve modelin performansının ve genellemesinin sınırlarını zorlamaktadır.

Kullanım

Bir CNN modelini ImageWoof veri kümesi üzerinde 224x224 görüntü boyutunda 100 epok için eğitmek için aşağıdaki kod parçacıklarını kullanabilirsiniz. Kullanılabilir bağımsız değişkenlerin 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="imagewoof", epochs=100, imgsz=224)

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

Veri Kümesi Varyantları

ImageWoof veri seti, çeşitli araştırma ihtiyaçlarını ve hesaplama yeteneklerini karşılamak için üç farklı boyutta gelir:

1. Tam Boyut (imagewoof): Bu, ImageWoof veri kümesinin orijinal sürümüdür. Tam boyutlu görüntüler içerir ve son eğitim ve performans kıyaslaması için idealdir.

2. 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.

3. Küçük Boyut (imagewoof160): Bu sürüm, maksimum 160 piksel kenar uzunluğuna sahip olacak şekilde yeniden boyutlandırılmış görüntüler içerir. Eğitim hızının öncelikli olduğu hızlı prototipleme ve deneyler için tasarlanmıştır.

Eğitiminizde bu varyantları kullanmak için veri kümesi argümanında 'imagewoof' yerine 'imagewoof320' veya 'imagewoof160' yazmanız yeterlidir. Örneğin:

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n-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 kullanılmasının sınıflandırma doğruluğu açısından muhtemelen daha düşük performans sağlayacağını unutmamak önemlidir. Bununla birlikte, model geliştirme ve prototip oluşturmanın ilk aşamalarında hızlı bir şekilde yineleme yapmak için mükemmel bir yoldur.

Örnek Görüntüler ve Açıklamalar

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

Örnek, ImageWoof veri kümesindeki farklı köpek ırkları arasındaki ince farklılıkları ve benzerlikleri göstererek sınıflandırma görevinin karmaşıklığını ve zorluğunu vurgulamaktadır.

Atıflar ve Teşekkür

Araştırma veya geliştirme çalışmalarınızda ImageWoof veri setini kullanırsanız, lütfen resmi veri seti deposuna bağlantı vererek veri setinin yaratıcılarına teşekkür ettiğinizden emin olun.

FastAI ekibine, ImageWoof veri setini makine öğrenimi ve bilgisayarla görme araştırma topluluğu için değerli bir kaynak olarak oluşturdukları ve sürdürdükleri için teşekkür ederiz. ImageWoof veri kümesi hakkında daha fazla bilgi için ImageWoof veri kümesi deposunu ziyaret edin.

SSS

Ultralytics adresindeki ImageWoof veri seti nedir?

ImageWoof veri kümesi, ImageNet'in 10 özel köpek ırkına odaklanan zorlu bir alt kümesidir. Görüntü sınıflandırma modellerinin sınırlarını zorlamak için oluşturulan bu veri kümesinde Beagle, Shih-Tzu ve Golden Retriever gibi ırklar yer almaktadır. Veri kümesi, daha gerçekçi eğitim senaryoları için çeşitli çözünürlüklerde (tam boyut, 320 piksel, 160 piksel) görüntüler ve hatta gürültülü etiketler içerir. Bu karmaşıklık ImageWoof'u daha gelişmiş derin öğrenme modelleri geliştirmek için ideal kılmaktadır.

ImageWoof veri kümesini kullanarak bir modeli Ultralytics YOLO ile nasıl eğitebilirim?

Ultralytics YOLO adresini kullanarak ImageWoof veri kümesi üzerinde 224x224 görüntü boyutunda 100 epok için bir Evrişimsel Sinir Ağı (CNN) modelini eğitmek için aşağıdaki kodu kullanabilirsiniz:

from ultralytics import YOLO

model = YOLO("yolov8n-cls.pt")  # Load a pretrained model
results = model.train(data="imagewoof", epochs=100, imgsz=224)

yolo detect train data=imagewoof model=yolov8n-cls.pt epochs=100 imgsz=224

Mevcut eğitim argümanları hakkında daha fazla bilgi için Eğitim sayfasına bakın.

ImageWoof veri setinin hangi sürümleri mevcut?

ImageWoof veri kümesi üç boyutta gelir:

1. Tam Boyut (imagewoof): Tam boyutlu görüntüler içeren son eğitim ve kıyaslama için idealdir.
2. Orta Boyut (imagewoof320): Maksimum kenar uzunluğu 320 piksel olan yeniden boyutlandırılmış görüntüler, daha hızlı eğitim için uygundur.
3. Küçük Boyut (imagewoof160): Maksimum 160 piksel kenar uzunluğuna sahip yeniden boyutlandırılmış görüntüler, hızlı prototipleme için mükemmeldir.

Veri kümesi bağımsız değişkenindeki 'imagewoof' ifadesini uygun şekilde değiştirerek bu sürümleri kullanın. Bununla birlikte, daha küçük görüntülerin daha düşük sınıflandırma doğruluğu sağlayabileceğini, ancak daha hızlı yinelemeler için yararlı olabileceğini unutmayın.

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 sağlamlık 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 farklılıklarda yatmaktadır. Birbiriyle yakından ilişkili 10 ırka odaklandığı için bu ırklar arasında ayrım yapmak daha gelişmiş ve ince ayarlı görüntü sınıflandırma modelleri gerektirir. Bu da ImageWoof'u derin öğrenme modellerinin yeteneklerini ve iyileştirmelerini test etmek için mükemmel bir ölçüt haline getirmektedir.

Yorumlar