Link to this sectionTập dữ liệu ImageNette#
Tập dữ liệu ImageNette là một tập hợp con của ImageNet gồm 10 lớp dễ phân biệt, được fast.ai tạo ra nhằm cung cấp phiên bản ImageNet nhanh hơn và dễ sử dụng hơn cho việc phát triển phần mềm và giáo dục. Nó chứa 13.394 hình ảnh màu — 9.469 ảnh để huấn luyện và 3.925 ảnh để kiểm định — bao gồm các lớp như tench (cá mè), English springer (chó săn), cassette player (máy nghe băng), và French horn (kèn cor), giúp các mô hình phân loại hình ảnh được huấn luyện trong vài phút thay vì hàng giờ như yêu cầu của tập dữ liệu ImageNet đầy đủ gồm 1.000 lớp.
Link to this sectionTính năng chính#
- ImageNette chứa 13.394 hình ảnh thuộc 10 lớp: tench, English springer, cassette player, chain saw (máy cưa), church (nhà thờ), French horn, garbage truck (xe chở rác), gas pump (trạm bơm xăng), golf ball (bóng golf), và parachute (dù).
- Tập dữ liệu đi kèm với một cấu trúc phân chia định sẵn gồm 9.469 hình ảnh màu để huấn luyện và 3.925 hình ảnh để kiểm định với các kích thước khác nhau.
- 10 lớp được phân tách rõ ràng giúp ImageNette có tốc độ huấn luyện nhanh và dễ hiểu, vì vậy nó được sử dụng rộng rãi để tạo nguyên mẫu (prototyping) và giảng dạy về phân loại hình ảnh.
Link to this sectionCấu trúc tập dữ liệu#
ImageNette đi kèm với cấu trúc phân chia huấn luyện/kiểm định định sẵn, trong đó mỗi lớp được lưu trữ trong thư mục riêng biệt:
| Split | Hình ảnh | Các lớp |
|---|---|---|
| Huấn luyện (Train) | 9.469 | 10 |
| Validation | 3.925 | 10 |
Số lượng hình ảnh chính xác thay đổi tùy theo từng lớp, mang lại sự phân bổ thực tế cho việc huấn luyện nhanh và đánh giá hiệu năng (benchmarking) mà không cần đến quy mô của tập dữ liệu ImageNet đầy đủ.
Link to this sectionỨng dụng#
Tập dữ liệu ImageNette được sử dụng rộng rãi để huấn luyện và đánh giá các mô hình deep learning trong các tác vụ phân loại hình ảnh, chẳng hạn như Convolutional Neural Networks (CNNs) và các thuật toán machine learning khác. Định dạng đơn giản và các lớp được lựa chọn kỹ lưỡng khiến nó trở thành nguồn tài nguyên hữu ích cho cả người mới bắt đầu và các chuyên gia có kinh nghiệm trong machine learning và computer vision.
Link to this sectionCách sử dụng#
Để huấn luyện một mô hình trên tập dữ liệu ImageNette trong 100 epochs với kích thước hình ảnh tiêu chuẩn 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 Huấn luyện 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="imagenette", epochs=100, imgsz=224)Link to this sectionHình ảnh mẫu và chú thích#
Tập dữ liệu ImageNette chứa các hình ảnh màu của nhiều đối tượng và cảnh quan khác nhau, cung cấp một tập dữ liệu đa dạng cho các tác vụ phân loại hình ảnh. Dưới đây là một số ví dụ về hình ảnh từ tập dữ liệu:
Ví dụ này minh họa sự đa dạng và phức tạp của các hình ảnh trong tập dữ liệu ImageNette, làm nổi bật tầm quan trọng của một tập dữ liệu đa dạng để huấn luyện các mô hình phân loại hình ảnh mạnh mẽ.
Link to this sectionImageNette160 và ImageNette320#
Để tạo nguyên mẫu và huấn luyện nhanh hơn, ImageNette cũng khả dụng ở hai kích thước thu nhỏ: ImageNette160 và ImageNette320. Các tập dữ liệu này giữ nguyên các lớp và cấu trúc như ImageNette đầy đủ, nhưng hình ảnh được thay đổi kích thước về độ dài cạnh tối đa nhỏ hơn. Chúng đặc biệt hữu ích cho việc kiểm thử mô hình sơ bộ hoặc khi tài nguyên tính toán bị hạn chế.
Để sử dụng các tập dữ liệu này, chỉ cần thay thế imagenette bằng imagenette160 hoặc imagenette320 trong lệnh huấn luyện. Các đoạn mã sau đây minh họa điều này:
from ultralytics import YOLO
# Load a model
model = YOLO("yolo26n-cls.pt") # load a pretrained model (recommended for training)
# Train the model with ImageNette160
results = model.train(data="imagenette160", epochs=100, imgsz=160)from ultralytics import YOLO
# Load a model
model = YOLO("yolo26n-cls.pt") # load a pretrained model (recommended for training)
# Train the model with ImageNette320
results = model.train(data="imagenette320", epochs=100, imgsz=320)Các phiên bản nhỏ hơn của tập dữ liệu này cho phép lặp lại nhanh chóng trong quá trình phát triển trong khi vẫn cung cấp các tác vụ phân loại hình ảnh thực tế. Bạn cũng có thể quản lý các tập dữ liệu phân loại và chạy huấn luyện trên đám mây với Ultralytics Platform.
Link to this sectionTrích dẫn và Ghi nhận#
Nếu bạn sử dụng tập dữ liệu ImageNette trong nghiên cứu hoặc công việc phát triển của mình, vui lòng ghi nhận nguồn hợp lý. Để biết thêm thông tin về ImageNette, hãy truy cập trang GitHub của tập dữ liệu ImageNette.
Chúng tôi xin ghi nhận đóng góp của đội ngũ fast.ai đã tạo ra và duy trì ImageNette như một tài nguyên giá trị cho cộng đồng nghiên cứu machine learning và computer vision.
Link to this sectionCâu hỏi thường gặp#
Link to this sectionTập dữ liệu ImageNette là gì?#
Tập dữ liệu ImageNette là một tập hợp con được đơn giản hóa của ImageNet gồm 10 lớp dễ phân biệt như tench, English springer và French horn. Nó chứa 13.394 hình ảnh (9.469 ảnh huấn luyện và 3.925 ảnh kiểm định) và được fast.ai tạo ra để cung cấp một tập dữ liệu dễ quản lý hơn cho việc huấn luyện và đánh giá hiệu quả các mô hình phân loại hình ảnh. Điều này làm cho nó đặc biệt hữu ích cho việc phát triển phần mềm nhanh chóng và các mục đích giáo dục trong machine learning và computer vision.
Link to this sectionImageNette có bao nhiêu hình ảnh và lớp?#
ImageNette chứa tổng cộng 13.394 hình ảnh — 9.469 ảnh cho huấn luyện và 3.925 ảnh cho kiểm định — trên 10 lớp: tench, English springer, cassette player, chain saw, church, French horn, garbage truck, gas pump, golf ball, và parachute. Mỗi lớp được lưu trữ trong thư mục riêng, tuân theo bố cục phân loại tiêu chuẩn mà Ultralytics yêu cầu.
Link to this sectionLàm thế nào để tôi có thể sử dụng tập dữ liệu ImageNette để huấn luyện mô hình YOLO?#
Để huấn luyện một mô hình YOLO trên ImageNette trong 100 epochs, hãy sử dụng các lệnh sau. Đảm bảo rằng bạn đã thiết lập môi trường Ultralytics YOLO.
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="imagenette", epochs=100, imgsz=224)Để biết thêm chi tiết, hãy xem trang tài liệu Huấn luyện.
Link to this sectionTại sao tôi nên sử dụng ImageNette cho các tác vụ phân loại hình ảnh?#
Tập dữ liệu ImageNette có lợi thế vì một số lý do sau:
- Nhanh chóng và Đơn giản: Chỉ với 10 lớp và khoảng 13.000 hình ảnh, nó ít phức tạp và tốn ít thời gian huấn luyện hơn nhiều so với ImageNet đầy đủ.
- Sử dụng trong Giáo dục: Lý tưởng để học và giảng dạy những kiến thức cơ bản về phân loại hình ảnh, vì nó yêu cầu ít năng lượng tính toán và thời gian hơn.
- Tính linh hoạt: Được sử dụng rộng rãi để huấn luyện và đánh giá hiệu năng (benchmark) các mô hình phân loại hình ảnh, đặc biệt là Convolutional Neural Networks (CNNs).
Để biết thêm chi tiết về việc huấn luyện mô hình và quản lý tập dữ liệu, hãy khám phá phần Cấu trúc tập dữ liệu.
Link to this sectionTập dữ liệu ImageNette có thể được sử dụng với các kích thước hình ảnh khác nhau không?#
Có, ImageNette cũng khả dụng ở hai phiên bản đã thay đổi kích thước là ImageNette160 và ImageNette320, với hình ảnh được thay đổi kích thước theo độ dài cạnh tối đa nhỏ hơn. Các phiên bản này hỗ trợ tạo nguyên mẫu nhanh hơn và đặc biệt hữu ích khi tài nguyên tính toán bị hạn chế.
from ultralytics import YOLO
# Load a model
model = YOLO("yolo26n-cls.pt")
# Train the model with ImageNette160
results = model.train(data="imagenette160", epochs=100, imgsz=160)Để biết thêm thông tin, hãy tham khảo Huấn luyện với ImageNette160 và ImageNette320.
Link to this sectionMột số ứng dụng thực tế của tập dữ liệu ImageNette là gì?#
Tập dữ liệu ImageNette được sử dụng rộng rãi trong:
- Môi trường Giáo dục: Để dạy cho người mới bắt đầu các nguyên lý cơ bản về machine learning và computer vision.
- Phát triển Phần mềm: Dùng cho việc tạo nguyên mẫu nhanh và phát triển các mô hình phân loại hình ảnh.
- Nghiên cứu Deep Learning: Để đánh giá và đo lường hiệu suất của các model deep learning khác nhau, đặc biệt là các Neural Networks (CNNs) tích chập.
Khám phá phần Ứng dụng để xem các trường hợp sử dụng chi tiết.