ImageNet10 数据集#
Ultralytics ImageNet10 数据集（data="imagenet10"）是 ImageNet 的一个仅包含 24 张图像的小型子集，涵盖其前 10 个类别，专为持续集成测试、健全性检查和训练流程的快速验证而构建。它包含 12 张训练图像和 12 张验证图像，并采用与完整数据集相同的 WordNet 同义词集文件夹结构，因此，在 ImageNet 上训练的模型无需任何修改即可在 ImageNet10 上训练——只需几秒而不是几小时。它旨在验证流程能否端到端运行，而不是用于基准测试 准确率。
主要特性#
- ImageNet10 仅包含 24 张图像（12 张训练图像和 12 张验证图像），取自 ImageNet 的前 10 个类别。
- 该数据集按照 WordNet 层次结构组织，与完整 ImageNet 数据集按类别划分的同义词集文件夹保持一致。
- 它专为 持续集成 测试、健全性检查以及 计算机视觉 任务中训练流程的快速调试而构建。
- 虽然它并非为模型基准测试而设计，但可以快速反映模型的基本功能和正确性。
数据集结构#
ImageNet10 自带预定义的数据划分，使用完整 ImageNet 数据集的前 10 个类别（从 n01440764 tench 到 n01518878 ostrich）：
| 划分 | 图像 | 类别 |
|---|---|---|
| 训练 | 12 | 10 |
| 验证 | 12 | 10 |
这 10 个类别中的每一个都是一个 WordNet 同义词集（同义词集合），图像存放在以同义词集 ID 命名的类别文件夹中——这正是 Ultralytics 分类训练所要求的布局。测试模型是否能够识别预期的文件夹格式时，ImageNet10 因此成为完整数据集的紧凑且结构忠实的替代品。
探索 Ultralytics Platform 上的 ImageNet10，按类别浏览图像，在 Charts 选项卡中查看类别分布，并将其克隆到云端训练你自己的模型。
应用#
ImageNet10 数据集适合快速测试和调试计算机视觉模型与流程。它的体积很小，可以快速迭代，因此非常适合 持续集成 测试和健全性检查。在使用完整的 ImageNet 数据集进行大规模运行之前，它也适合对新模型或代码更改进行快速初步测试。
使用方法#
要在图像尺寸为 224x224 的情况下测试 ImageNet10 数据集上的分类模型，请使用下面的代码片段。有关可用参数的完整列表，请参阅模型的训练页面。
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)示例图像和标注#
ImageNet10 数据集包含原始 ImageNet 数据集中的一部分图像，这些图像经过选择，用于代表其前 10 个类别，并为快速测试和评估提供多样且紧凑的资源。
该示例展示了 ImageNet10 数据集中图像的多样性和复杂性，突出了它在计算机视觉模型健全性检查和快速测试中的实用性。
引用和致谢#
如果你在研究或开发工作中使用 ImageNet10 数据集，请引用原始的 ImageNet 论文：
@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}
}我们谨此感谢由 Olga Russakovsky、Jia Deng 和 Li Fei-Fei 领导的 ImageNet 团队，他们创建并维护了 ImageNet 数据集。由 Ultralytics 创建的 ImageNet10 子集是机器学习和计算机视觉研究社区中用于快速测试和调试的宝贵资源。有关 ImageNet 数据集及其创建者的更多信息，请访问 ImageNet 网站。
常见问题#
ImageNet10 数据集是 ImageNet 数据库的紧凑子集，由 Ultralytics 创建，用于快速 CI 测试、健全性检查和训练流程评估。它包含来自 ImageNet 前 10 个类别的 24 张图像（12 张训练图像和 12 张验证图像）。尽管规模很小，它仍保留了完整数据集的 WordNet 文件夹结构，因此非常适合快速测试流程，但不适用于评估模型准确率。
ImageNet10 总共包含 24 张图像——12 张用于训练，12 张用于验证——分布在 ImageNet 的前 10 个类别中。每个类别都是一个存储在独立文件夹中的 WordNet 同义词集，因此该数据集以极小的规模复现了完整 ImageNet 数据集的布局。
要在图像尺寸为 224x224 的情况下测试你在 ImageNet10 上的分类模型，请使用以下代码片段。
测试示例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)如需查看可用参数的完整列表，请参阅训练页面。
ImageNet10 专为 CI 测试、健全性检查以及深度学习流程中的快速评估而设计。它仅包含 24 张图像，几乎可以即时迭代，因此非常适合速度至关重要的持续集成场景。通过保留完整 ImageNet 数据集的文件夹结构，它可以在无需处理大型数据集的情况下，可靠地检查模型的基本功能和正确性。
虽然 ImageNet10 和 ImageNette 都是 ImageNet 的子集，但用途不同。ImageNet10 仅包含来自前 10 个类别的 24 张图像，体量极小，适合 CI 测试和快速健全性检查。相比之下，ImageNette 包含超过 13,000 张图像，涵盖 10 个易于区分的类别，适合实际的模型训练和开发。ImageNet10 用于验证流程功能，而 ImageNette 更适合开展有实际意义且比完整 ImageNet 训练更快的实验。