Tập dữ liệu ImageNette

Tập dữ liệu ImageNette là một tập hợp con của tập dữ liệu Imagenet lớn hơn, nhưng nó chỉ bao gồm 10 lớp dễ phân biệt. Nó được tạo ra để cung cấp một phiên bản Imagenet nhanh hơn, dễ sử dụng hơn để phát triển phần mềm và giáo dục.

Các tính năng chính

• ImageNette chứa hình ảnh từ 10 lớp khác nhau như tench, English lò xo, máy cassette, cưa xích, nhà thờ, kèn Pháp, xe chở rác, bơm xăng, bóng golf, dù.
• Bộ dữ liệu bao gồm các hình ảnh màu có kích thước khác nhau.
• ImageNette được sử dụng rộng rãi để đào tạo và thử nghiệm trong lĩnh vực học máy, đặc biệt là cho các tác vụ phân loại hình ảnh.

Cấu trúc tập dữ liệu

Tập dữ liệu ImageNette được chia thành hai tập con:

1. Training Set: Tập hợp con này chứa hàng nghìn hình ảnh được sử dụng để đào tạo các mô hình học máy. Số lượng chính xác khác nhau tùy theo lớp.
2. Bộ xác nhận: Tập hợp con này bao gồm hàng trăm hình ảnh được sử dụng để xác nhận và đo điểm chuẩn cho các mô hình được đào tạo. Một lần nữa, số lượng chính xác khác nhau cho mỗi lớp.

Ứng dụng

Bộ dữ liệu ImageNette được sử dụng rộng rãi để đào tạo và đánh giá các mô hình học sâu trong các tác vụ phân loại hình ảnh, chẳng hạn như Mạng nơ-ron tích chập (CNN) và nhiều thuật toán học máy khác. Định dạng đơn giản của tập dữ liệu và các lớp học được lựa chọn tốt làm cho nó trở thành một nguồn tài nguyên hữu ích cho cả những người mới bắt đầu và có kinh nghiệm trong lĩnh vực học máy và thị giác máy tính.

Sử dụng

Để huấn luyện mô hình trên tập dữ liệu ImageNette cho 100 kỷ nguyên với kích thước hình ảnh chuẩn là 224x224, bạn có thể sử dụng các đoạn mã sau. Để biết danh sách đầy đủ các đối số có sẵn, hãy tham khảo trang Đào tạo mẫu.

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='imagenette', epochs=100, imgsz=224)

# Start training from a pretrained *.pt model
yolo detect train data=imagenette model=yolov8n-cls.pt epochs=100 imgsz=224

Hình ảnh mẫu và chú thích

Bộ dữ liệu ImageNette chứa hình ảnh màu của các đối tượng và cảnh khác nhau, cung cấp một bộ 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 cho thấy sự đa dạng và phức tạp của hình ảnh trong tập dữ liệu ImageNette, làm nổi bật tầm quan trọng của bộ dữ liệu đa dạng để đào tạo các mô hình phân loại hình ảnh mạnh mẽ.

ImageNette160 và ImageNette320

Để tạo mẫu và đào tạo nhanh hơn, tập dữ liệu ImageNette cũng có sẵn ở hai kích cỡ giảm: ImageNette160 và ImageNette320. Các bộ dữ liệu này duy trì các lớp và cấu trúc giống như tập dữ liệu ImageNette đầy đủ, nhưng hình ảnh được thay đổi kích thước thành kích thước nhỏ hơn. Do đó, các phiên bản này của tập dữ liệu đặc biệt hữu ích cho việc kiểm tra mô hình sơ bộ hoặc khi tài nguyên tính toán bị hạn chế.

Để sử dụng các bộ dữ liệu này, chỉ cần thay thế 'imagenette' bằng 'imagenette160' hoặc 'imagenette320' trong lệnh đào tạo. Các đoạn mã sau đây minh họa điều này:

from ultralytics import YOLO

# Load a model
model = YOLO('yolov8n-cls.pt')  # load a pretrained model (recommended for training)

# Train the model with ImageNette160
results = model.train(data='imagenette160', epochs=100, imgsz=160)

# Start training from a pretrained *.pt model with ImageNette160
yolo detect train data=imagenette160 model=yolov8n-cls.pt epochs=100 imgsz=160

from ultralytics import YOLO

# Load a model
model = YOLO('yolov8n-cls.pt')  # load a pretrained model (recommended for training)

# Train the model with ImageNette320
results = model.train(data='imagenette320', epochs=100, imgsz=320)

# Start training from a pretrained *.pt model with ImageNette320
yolo detect train data=imagenette320 model=yolov8n-cls.pt 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 nhiệm vụ phân loại hình ảnh có giá trị và thực tế.

Trích dẫn và xác nhận

Nếu bạn sử dụng tập dữ liệu ImageNette trong công việc nghiên cứu hoặc phát triển của mình, vui lòng xác nhận nó một cách thích hợp. Để biết thêm thông tin về tập dữ liệu ImageNette, hãy truy cập trang GitHub tập dữ liệu ImageNette.

Ý kiến