Bộ dữ liệu ImageNet10#
Bộ dữ liệu ImageNet10 của Ultralytics (data="imagenet10") là một tập con nhỏ gồm 24 ảnh của ImageNet, bao phủ 10 lớp đầu tiên, được xây dựng cho các bài kiểm thử tích hợp liên tục, kiểm tra tính hợp lệ và xác thực nhanh các pipeline huấn luyện. Bộ dữ liệu này chứa 12 ảnh huấn luyện và 12 ảnh validation, được sắp xếp theo cùng cấu trúc thư mục WordNet-synset như bộ dữ liệu đầy đủ, vì vậy model huấn luyện trên ImageNet có thể huấn luyện trên ImageNet10 mà không cần thay đổi — chỉ trong vài giây thay vì vài giờ. Bộ dữ liệu được thiết kế để xác minh pipeline chạy xuyên suốt từ đầu đến cuối, không phải để benchmark độ chính xác.
Tính năng chính#
- ImageNet10 chỉ chứa 24 ảnh (12 ảnh huấn luyện, 12 ảnh validation) được lấy từ 10 lớp đầu tiên của ImageNet.
- Bộ dữ liệu được tổ chức theo hệ phân cấp WordNet, phản chiếu các thư mục synset theo từng lớp của bộ dữ liệu ImageNet đầy đủ.
- Bộ dữ liệu được xây dựng chuyên biệt cho các bài kiểm thử tích hợp liên tục, kiểm tra tính hợp lệ và debug nhanh các pipeline huấn luyện trong các tác vụ thị giác máy tính.
- Mặc dù không được thiết kế để benchmark model, bộ dữ liệu cung cấp chỉ dấu nhanh về chức năng cơ bản và tính chính xác của model.
Cấu trúc bộ dữ liệu#
ImageNet10 đi kèm một phân chia được định nghĩa sẵn, sử dụng 10 lớp đầu tiên của bộ dữ liệu ImageNet đầy đủ (n01440764 tench đến n01518878 ostrich):
| Split | Ảnh | Các lớp |
|---|---|---|
| Huấn luyện | 12 | 10 |
| Validation | 12 | 10 |
Mỗi lớp trong 10 lớp là một synset WordNet (một tập hợp các thuật ngữ đồng nghĩa), và ảnh được lưu trong các thư mục theo từng lớp, với tên thư mục là ID synset — đúng bố cục mà quá trình huấn luyện phân loại của Ultralytics yêu cầu. Nhờ đó, ImageNet10 là bản thay thế nhỏ gọn nhưng giữ nguyên cấu trúc của bộ dữ liệu đầy đủ khi kiểm thử khả năng nhận diện định dạng thư mục dự kiến của model.
Khám phá ImageNet10 trên Ultralytics Platform để duyệt các ảnh được nhóm theo lớp, xem phân bố lớp trong tab Charts, và clone bộ dữ liệu để huấn luyện model của riêng bạn trên cloud.
Ứng dụng#
Bộ dữ liệu ImageNet10 hữu ích cho việc kiểm thử và debug nhanh các model và pipeline thị giác máy tính. Kích thước nhỏ cho phép lặp lại nhanh, khiến bộ dữ liệu này phù hợp cho các bài kiểm thử tích hợp liên tục và kiểm tra tính hợp lệ. Bộ dữ liệu cũng thuận tiện cho việc kiểm thử sơ bộ nhanh các model mới hoặc thay đổi mã trước khi chuyển sang các lần chạy quy mô đầy đủ với bộ dữ liệu ImageNet hoàn chỉnh.
Cách sử dụng#
Để kiểm thử một model phân loại trên bộ dữ liệu ImageNet10 với kích thước ảnh 224x224, hãy sử dụng các đoạn mã bên dưới. Để xem danh sách đầy đủ các tham số khả dụng, tham khảo trang Training của model.
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="imagenet10", epochs=5, imgsz=224)Hình ảnh mẫu và annotation#
Bộ dữ liệu ImageNet10 chứa một tập con ảnh từ bộ dữ liệu ImageNet gốc, được chọn để đại diện cho 10 lớp đầu tiên và cung cấp một tài nguyên đa dạng nhưng nhỏ gọn cho việc kiểm thử và đánh giá nhanh.
Ví dụ minh họa sự đa dạng và độ phức tạp của các ảnh trong bộ dữ liệu ImageNet10, làm nổi bật tính hữu ích của bộ dữ liệu đối với việc kiểm tra tính hợp lệ và kiểm thử nhanh các model thị giác máy tính.
Trích dẫn và ghi nhận đóng góp#
Nếu sử dụng bộ dữ liệu ImageNet10 trong công việc nghiên cứu hoặc phát triển, vui lòng trích dẫn bài báo ImageNet gốc:
@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 những đóng góp của nhóm ImageNet, do Olga Russakovsky, Jia Deng và Li Fei-Fei dẫn dắt, trong việc tạo và duy trì bộ dữ liệu ImageNet. Tập con ImageNet10 do Ultralytics tạo ra là một tài nguyên hữu ích cho việc kiểm thử và debug nhanh trong cộng đồng nghiên cứu machine learning và thị giác máy tính. Để biết thêm thông tin về bộ dữ liệu ImageNet và các tác giả, hãy truy cập website ImageNet.
FAQ#
Bộ dữ liệu ImageNet10 là một tập con nhỏ gọn của cơ sở dữ liệu ImageNet, do Ultralytics tạo ra cho các bài kiểm thử CI nhanh, kiểm tra tính hợp lệ và đánh giá pipeline huấn luyện. Bộ dữ liệu chứa 24 ảnh (12 ảnh huấn luyện và 12 ảnh validation) từ 10 lớp đầu tiên của ImageNet. Dù có kích thước nhỏ, bộ dữ liệu vẫn giữ nguyên cấu trúc thư mục WordNet của bộ dữ liệu đầy đủ, khiến nó phù hợp cho việc kiểm thử pipeline nhanh nhưng không phù hợp để benchmark độ chính xác của model.
ImageNet10 có tổng cộng 24 ảnh — 12 ảnh huấn luyện và 12 ảnh validation — được phân bổ trên 10 lớp đầu tiên của ImageNet. Mỗi lớp là một synset WordNet được lưu trong thư mục riêng, vì vậy bộ dữ liệu phản chiếu bố cục của bộ dữ liệu ImageNet đầy đủ với kích thước chỉ bằng một phần nhỏ.
Để kiểm thử model phân loại trên ImageNet10 với kích thước ảnh 224x224, hãy sử dụng các đoạn mã sau.
Ví dụ kiểm thửfrom 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="imagenet10", epochs=5, imgsz=224)Tham khảo trang Training để xem danh sách đầy đủ các argument khả dụng.
ImageNet10 được thiết kế chuyên biệt cho các bài kiểm thử CI, kiểm tra tính hợp lệ và đánh giá nhanh trong các pipeline deep learning. Kích thước 24 ảnh cho phép lặp gần như tức thì, khiến bộ dữ liệu này phù hợp cho tích hợp liên tục, nơi tốc độ đóng vai trò then chốt. Bằng cách giữ nguyên cấu trúc thư mục của bộ dữ liệu ImageNet đầy đủ, ImageNet10 cung cấp một cách kiểm tra đáng tin cậy về chức năng cơ bản và tính chính xác của model mà không phải chịu chi phí xử lý một bộ dữ liệu lớn.
Mặc dù cả ImageNet10 và ImageNette đều là các tập con của ImageNet, chúng phục vụ những mục đích khác nhau. ImageNet10 chỉ chứa 24 ảnh từ 10 lớp đầu tiên, cực kỳ nhẹ và phù hợp cho kiểm thử CI và kiểm tra tính hợp lệ nhanh. Ngược lại, ImageNette chứa hơn 13.000 ảnh thuộc 10 lớp dễ phân biệt, phù hợp cho việc huấn luyện và phát triển model thực tế. ImageNet10 xác minh chức năng của pipeline, trong khi ImageNette phù hợp hơn cho các thử nghiệm huấn luyện có ý nghĩa nhưng nhanh hơn so với huấn luyện trên ImageNet đầy đủ.