Tập dữ liệu ImageNet
ImageNet là một cơ sở dữ liệu quy mô lớn gồm các hình ảnh được chú thích, được thiết kế để sử dụng trong nghiên cứu nhận dạng đối tượng trực quan. Nó chứa hơn 14 triệu hình ảnh, với mỗi hình ảnh được chú thích bằng các synset WordNet, biến nó thành một trong những tài nguyên phong phú nhất hiện có để huấn luyện các mô hình deep learning trong các tác vụ computer vision.
Các mô hình được huấn luyện trước trên ImageNet
| Model | kích thước (pixels) | độ chính xác top1 | độ chính xác top5 | Tốc độ CPU ONNX (ms) | Tốc độ T4 TensorRT10 (ms) | tham số (M) | FLOPs (B) tại 224 |
|---|---|---|---|---|---|---|---|
| YOLO26n-cls | 224 | 71.4 | 90.1 | 5.0 ± 0.3 | 1.1 ± 0.0 | 2.8 | 0.5 |
| YOLO26s-cls | 224 | 76.0 | 92.9 | 7.9 ± 0.2 | 1.3 ± 0.0 | 6.7 | 1.6 |
| YOLO26m-cls | 224 | 78.1 | 94.2 | 17.2 ± 0.4 | 2.0 ± 0.0 | 11.6 | 4.9 |
| YOLO26l-cls | 224 | 79.0 | 94.6 | 23.2 ± 0.3 | 2.8 ± 0.0 | 14.1 | 6.2 |
| YOLO26x-cls | 224 | 79.9 | 95.0 | 41.4 ± 0.9 | 3.8 ± 0.0 | 29.6 | 13.6 |
Các tính năng chính
- ImageNet chứa hơn 14 triệu hình ảnh độ phân giải cao bao gồm hàng nghìn danh mục đối tượng.
- Tập dữ liệu được tổ chức theo hệ thống phân cấp WordNet, trong đó mỗi synset đại diện cho một danh mục.
- ImageNet được sử dụng rộng rãi để huấn luyện và đánh giá tiêu chuẩn trong lĩnh vực computer vision, đặc biệt là các tác vụ image classification và object detection.
- Cuộc thi thường niên ImageNet Large Scale Visual Recognition Challenge (ILSVRC) đóng vai trò quan trọng trong việc thúc đẩy nghiên cứu về computer vision.
Cấu trúc tập dữ liệu
Tập dữ liệu ImageNet được tổ chức bằng hệ thống phân cấp WordNet. Mỗi nút trong hệ thống phân cấp đại diện cho một danh mục và mỗi danh mục được mô tả bởi một synset (một tập hợp các thuật ngữ đồng nghĩa). Các hình ảnh trong ImageNet được chú thích bằng một hoặc nhiều synset, cung cấp một tài nguyên phong phú để huấn luyện các mô hình nhận dạng nhiều đối tượng khác nhau và các mối quan hệ của chúng.
Thử thách nhận dạng hình ảnh quy mô lớn ImageNet (ILSVRC)
Cuộc thi thường niên ImageNet Large Scale Visual Recognition Challenge (ILSVRC) là một sự kiện quan trọng trong lĩnh vực computer vision. Nó cung cấp một nền tảng để các nhà nghiên cứu và lập trình viên đánh giá các thuật toán và mô hình của họ trên một tập dữ liệu quy mô lớn với các chỉ số đánh giá tiêu chuẩn. ILSVRC đã dẫn đến những tiến bộ đáng kể trong việc phát triển các mô hình deep learning cho phân loại hình ảnh, phát hiện đối tượng và các tác vụ computer vision khác.
Ứng dụng
Tập dữ liệu ImageNet được sử dụng rộng rãi để huấn luyện và đánh giá các mô hình deep learning trong nhiều tác vụ computer vision khác nhau, chẳng hạn như phân loại hình ảnh, phát hiện đối tượng và xác định vị trí đối tượng. Một số kiến trúc deep learning phổ biến như AlexNet, VGG và ResNet đã được phát triển và đánh giá dựa trên tập dữ liệu ImageNet.
Cách sử dụng
Để huấn luyện một mô hình deep learning trên tập dữ liệu ImageNet trong 100 epochs với kích thước hình ảnh là 224x224, bạn có thể sử dụng các đoạn mã sau. Để có danh sách đầy đủ các đối số khả dụng, hãy tham khảo trang Training của mô hình.
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="imagenet", epochs=100, imgsz=224)Hình ảnh và chú thích mẫu
Tập dữ liệu ImageNet chứa các hình ảnh độ phân giải cao bao gồm hàng nghìn danh mục đối tượng, cung cấp một tập dữ liệu đa dạng và phong phú để huấn luyện và đánh giá các mô hình computer vision. Dưới đây là một số ví dụ về hình ảnh từ tập dữ liệu:
Ví dụ này thể hiện sự đa dạng và phức tạp của các hình ảnh trong tập dữ liệu ImageNet, làm nổi bật tầm quan trọng của một tập dữ liệu đa dạng để huấn luyện các mô hình computer vision mạnh mẽ.
Trích dẫn và Ghi nhận
Nếu bạn sử dụng tập dữ liệu ImageNet trong công việc nghiên cứu hoặc phát triển của mình, vui lòng trích dẫn bài báo sau:
@article{ILSVRC15,
author = {Olga Russakovsky and Jia Deng and Hao Su and Jonathan Krause and Sanjeev Satheesh and Sean Ma and Zhiheng Huang and Andrej Karpathy and Aditya Khosla and Michael Bernstein and Alexander C. Berg and Li Fei-Fei},
title={ImageNet Large Scale Visual Recognition Challenge},
year={2015},
journal={International Journal of Computer Vision (IJCV)},
volume={115},
number={3},
pages={211-252}
}Chúng tôi xin ghi nhận đội ngũ ImageNet, dẫn đầu bởi Olga Russakovsky, Jia Deng và Li Fei-Fei, vì đã tạo ra và duy trì tập dữ liệu ImageNet như một tài nguyên quý giá cho cộng đồng nghiên cứu machine learning và computer vision. Để biết thêm thông tin về tập dữ liệu ImageNet và những người sáng tạo ra nó, hãy truy cập trang web ImageNet.
Câu hỏi thường gặp (FAQ)
Tập dữ liệu ImageNet là gì và nó được sử dụng như thế nào trong computer vision?
Tập dữ liệu ImageNet là một cơ sở dữ liệu quy mô lớn bao gồm hơn 14 triệu hình ảnh độ phân giải cao được phân loại bằng cách sử dụng các synset WordNet. Nó được sử dụng rộng rãi trong nghiên cứu nhận dạng đối tượng trực quan, bao gồm phân loại hình ảnh và phát hiện đối tượng. Các chú thích và khối lượng dữ liệu khổng lồ của tập dữ liệu cung cấp một tài nguyên phong phú để huấn luyện các mô hình deep learning. Đáng chú ý, các mô hình như AlexNet, VGG và ResNet đã được huấn luyện và đánh giá bằng ImageNet, cho thấy vai trò của nó trong việc thúc đẩy computer vision.
Làm thế nào tôi có thể sử dụng mô hình YOLO được huấn luyện trước để phân loại hình ảnh trên tập dữ liệu ImageNet?
Để sử dụng mô hình Ultralytics YOLO được huấn luyện trước cho tác vụ phân loại hình ảnh trên tập dữ liệu ImageNet, hãy làm theo các bước sau:
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="imagenet", epochs=100, imgsz=224)Để có hướng dẫn huấn luyện chuyên sâu hơn, hãy tham khảo trang Training của chúng tôi.
Tại sao tôi nên sử dụng các mô hình Ultralytics YOLO26 được huấn luyện trước cho các dự án tập dữ liệu ImageNet của mình?
Các mô hình Ultralytics YOLO26 được huấn luyện trước cung cấp hiệu suất vượt trội về tốc độ và accuracy cho nhiều tác vụ computer vision khác nhau. Ví dụ, mô hình YOLO26n-cls, với top-1 accuracy là 70,0% và top-5 accuracy là 89,4%, được tối ưu hóa cho các ứng dụng thời gian thực. Các mô hình được huấn luyện trước giúp giảm tài nguyên tính toán cần thiết cho việc huấn luyện từ đầu và tăng tốc chu kỳ phát triển. Tìm hiểu thêm về các chỉ số hiệu suất của các mô hình YOLO26 trong phần ImageNet Pretrained Models.
Tập dữ liệu ImageNet được cấu trúc như thế nào và tại sao nó lại quan trọng?
Tập dữ liệu ImageNet được tổ chức bằng hệ thống phân cấp WordNet, nơi mỗi nút trong hệ thống phân cấp đại diện cho một danh mục được mô tả bởi một synset (một tập hợp các thuật ngữ đồng nghĩa). Cấu trúc này cho phép chú thích chi tiết, làm cho nó trở nên lý tưởng để huấn luyện các mô hình nhận dạng nhiều loại đối tượng. Sự đa dạng và phong phú của các chú thích trong ImageNet làm cho nó trở thành một tập dữ liệu có giá trị để phát triển các mô hình deep learning mạnh mẽ và có tính tổng quát cao. Bạn có thể tìm hiểu thêm về cách tổ chức này trong phần Dataset Structure.
Thử thách nhận dạng hình ảnh quy mô lớn ImageNet (ILSVRC) đóng vai trò gì trong computer vision?
Cuộc thi thường niên ImageNet Large Scale Visual Recognition Challenge (ILSVRC) đã đóng vai trò then chốt trong việc thúc đẩy những tiến bộ trong computer vision bằng cách cung cấp một nền tảng cạnh tranh để đánh giá các thuật toán trên một tập dữ liệu quy mô lớn, tiêu chuẩn hóa. Nó cung cấp các chỉ số đánh giá tiêu chuẩn, thúc đẩy đổi mới và phát triển trong các lĩnh vực như phân loại hình ảnh, phát hiện đối tượng và image segmentation. Cuộc thi đã liên tục đẩy mạnh các giới hạn về khả năng có thể đạt được với các công nghệ deep learning và computer vision.