Link to this sectionBộ dữ liệu ImageNet10#
Bộ dữ liệu Ultralytics ImageNet10 (data="imagenet10") là một tập hợp con nhỏ gồm 24 hình ảnh của ImageNet, bao gồm 10 lớp đầu tiên của nó, được xây dựng cho các thử nghiệm CI, kiểm tra tính hợp lệ và xác thực nhanh các quy trình đào tạo. Nó chứa 12 hình ảnh đào tạo và 12 hình ảnh kiểm chứng được tổ chức theo cấu trúc thư mục WordNet-synset giống như bộ dữ liệu đầy đủ, vì vậy một model đào tạo trên ImageNet có thể đào tạo trên ImageNet10 mà không cần thay đổi — chỉ trong vài giây thay vì hàng giờ. Nó được thiết kế để xác minh rằng một quy trình chạy từ đầu đến cuối, không phải để làm chuẩn so sánh độ chính xác.
Link to this sectionTính năng chính#
- ImageNet10 chỉ chứa 24 hình ảnh (12 đào tạo, 12 kiểm chứng) được lấy từ 10 lớp đầu tiên của ImageNet.
- Bộ dữ liệu này được tổ chức theo hệ thống phân cấp WordNet, phản chiếu các thư mục synset theo từng lớp của bộ dữ liệu ImageNet đầy đủ.
- Nó được xây dựng cho các thử nghiệm continuous integration, kiểm tra tính hợp lệ và gỡ lỗi nhanh các quy trình đào tạo trong các tác vụ thị giác máy tính.
- Mặc dù không được thiết kế để làm chuẩn so sánh model, nó cung cấp dấu hiệu nhanh về chức năng cơ bản và tính đúng đắn của model.
Link to this sectionCấu trúc tập dữ liệu#
ImageNet10 đi kèm với một phân tách được xác định trước, sử dụng 10 lớp đầu tiên của bộ dữ liệu ImageNet đầy đủ (từ n01440764 tench đến n01518878 ostrich):
| Split | Hình ảnh | Các lớp |
|---|---|---|
| Huấn luyện (Train) | 12 | 10 |
| Validation | 12 | 10 |
Mỗi trong số 10 lớp là một WordNet synset (một tập hợp các thuật ngữ đồng nghĩa), và các hình ảnh nằm trong các thư mục theo lớp được đặt tên theo ID synset — bố cục chính xác mà việc đào tạo phân loại của Ultralytics mong đợi. Điều này làm cho ImageNet10 trở thành một lựa chọn thay thế nhỏ gọn và chính xác về cấu trúc cho bộ dữ liệu đầy đủ khi kiểm tra xem một model có nhận dạng đúng định dạng thư mục mong đợi hay không.
Khám phá ImageNet10 trên Ultralytics Platform để duyệt qua các hình ảnh được nhóm theo lớp, xem phân phối lớp trong tab Charts và nhân bản nó để đào tạo model của riêng bạn trên đám mây.
Link to this sectionỨng dụng#
Bộ dữ liệu ImageNet10 hữu ích cho việc kiểm tra và gỡ lỗi nhanh các model và quy trình thị giác máy tính. Kích thước nhỏ của nó cho phép lặp lại nhanh chóng, làm cho nó trở nên lý tưởng cho các thử nghiệm continuous integration và kiểm tra tính hợp lệ. Nó cũng tiện dụng cho việc thử nghiệm 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.
Link to this sectionCách sử dụng#
Để kiểm tra một model phân loại trên bộ dữ liệu ImageNet10 tại kích thước hình ảnh 224x224, hãy sử dụng các đoạn mã dưới đây. Để có danh sách đầy đủ các đối số khả dụng, hãy 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)Link to this sectionHình ảnh mẫu và chú thích#
Bộ dữ liệu ImageNet10 chứa một tập hợp con các hình ảnh từ bộ dữ liệu ImageNet gốc, được chọn để đại diện cho 10 lớp đầu tiên của nó và cung cấp một tài nguyên đa dạng nhưng nhỏ gọn cho việc kiểm tra và đánh giá nhanh.
Ví dụ này giới thiệu sự đa dạng và phức tạp của các hình ảnh trong bộ dữ liệu ImageNet10, làm nổi bật sự hữu ích của nó cho việc kiểm tra tính hợp lệ và thử nghiệm nhanh các model thị giác máy tính.
Link to this sectionTrích dẫn và Ghi nhận#
Nếu bạn sử dụng bộ dữ liệu ImageNet10 trong công việc nghiên cứu hoặc phát triển của mình, 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 muốn ghi nhận đội ngũ ImageNet, được dẫn dắt bởi Olga Russakovsky, Jia Deng và Li Fei-Fei, vì đã tạo và duy trì bộ dữ liệu ImageNet. Tập hợp con ImageNet10, được tạo bởi Ultralytics, là một tài nguyên quý giá cho việc kiểm tra và gỡ lỗi nhanh trong cộng đồng nghiên cứu machine learning và thị giác máy tính. Để biết thêm thông tin về bộ dữ liệu ImageNet và những người tạo ra nó, hãy truy cập trang web ImageNet.
Link to this sectionCâu hỏi thường gặp#
Link to this sectionBộ dữ liệu ImageNet10 là gì và nó khác biệt như thế nào so với bộ dữ liệu ImageNet đầy đủ?#
Bộ dữ liệu ImageNet10 là một tập hợp con nhỏ gọn của cơ sở dữ liệu ImageNet, được tạo bởi Ultralytics cho các thử nghiệm CI nhanh, kiểm tra tính hợp lệ và đánh giá quy trình đào tạo. Nó chứa 24 hình ảnh (12 đào tạo và 12 kiểm chứng) từ 10 lớp đầu tiên của ImageNet. Mặc dù có kích thước nhỏ, nó bảo tồn cấu trúc thư mục WordNet của bộ dữ liệu đầy đủ, làm cho nó trở nên lý tưởng cho việc kiểm tra quy trình nhanh nhưng không phải để làm chuẩn so sánh độ chính xác của model.
Link to this sectionImageNet10 có bao nhiêu hình ảnh và lớp?#
ImageNet10 chứa tổng cộng 24 hình ảnh — 12 cho đào tạo và 12 cho kiểm chứng — trải rộng trên 10 lớp đầu tiên của ImageNet. Mỗi lớp là một WordNet synset được lưu trữ trong thư mục riêng của nó, vì vậy bộ dữ liệu phản chiếu bố cục của bộ dữ liệu ImageNet đầy đủ với kích thước chỉ bằng một phần nhỏ.
Link to this sectionLàm thế nào tôi có thể sử dụng bộ dữ liệu ImageNet10 để kiểm tra model deep learning của mình?#
Để kiểm tra model phân loại của bạn trên ImageNet10 tại kích thước hình ảnh 224x224, hãy sử dụng các đoạn mã 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="imagenet10", epochs=5, imgsz=224)Tham khảo trang Training để biết danh sách đầy đủ các tham số khả dụng.
Link to this sectionTại sao tôi nên sử dụng bộ dữ liệu ImageNet10 cho các thử nghiệm CI và kiểm tra tính hợp lệ?#
ImageNet10 được thiết kế dành riêng cho các thử nghiệm CI, kiểm tra tính hợp lệ và các đánh giá nhanh trong các quy trình deep learning. Kích thước 24 hình ảnh của nó cho phép lặp lại gần như tức thì, làm cho nó trở nên lý tưởng cho tích hợp liên tục nơi tốc độ là yếu tố then chốt. Bằng cách bảo tồn cấu trúc thư mục của bộ dữ liệu ImageNet đầy đủ, nó cung cấp một phương pháp kiểm tra đáng tin cậy về chức năng cơ bản và tính đúng đắn của model mà không cần chi phí xử lý một bộ dữ liệu lớn.
Link to this sectionImageNet10 so sánh thế nào với các bộ dữ liệu nhỏ khác như ImageNette?#
Trong khi cả ImageNet10 và ImageNette đều là các tập hợp con của ImageNet, chúng phục vụ các mục đích khác nhau. ImageNet10 chỉ chứa 24 hình ảnh từ 10 lớp đầu tiên, làm cho nó cực kỳ nhẹ cho việc kiểm tra CI và kiểm tra tính hợp lệ nhanh chóng. Ngược lại, ImageNette chứa hơn 13.000 hình ảnh trên 10 lớp dễ phân biệt, làm cho nó phù hợp cho việc đào tạo và phát triển model thực tế. ImageNet10 xác minh chức năng quy trình, trong khi ImageNette tốt hơn cho các thí nghiệm đào tạo có ý nghĩa nhưng nhanh hơn so với ImageNet đầy đủ.