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.

Yorumlar