ImageNet10 数据集#

20

imagenet10

ultralytics

publicClassify

ImageNet10 is Ultralytics' minimal classification smoke-test set containing one train and one validation image for each of ten ImageNet synsets. It intentionally retains WordNet IDs rather than friendly labels, providing a tiny check of folder-based loading, training, validation, and export paths.

210 classes110.3 KBSep 2, 2026

n01440764n01443537n01484850n01491361+6

Ultralytics ImageNet10 数据集（data="imagenet10"）是 ImageNet 的一个小型子集，仅含 24 张图像，涵盖前 10 个类别，专为持续集成测试、基本检查和训练流水线的快速验证而设计。它包含 12 张训练图像和 12 张验证图像，目录结构与完整数据集相同，均按 WordNet 同义词集组织，因此在 ImageNet 上训练的模型无需修改即可在 ImageNet10 上训练——只需几秒，而非几小时。ImageNet10 用于验证流水线能否端到端运行，而非用于基准测试准确率。

主要功能#

• ImageNet10 仅包含 24 张图像（12 张训练图像、12 张验证图像），取自 ImageNet 的前 10 个类别。
• 该数据集按照 WordNet 层级组织，采用与完整 ImageNet 数据集相同的按类别划分的同义词集文件夹结构。
• 它专为持续集成测试、基本检查以及计算机视觉任务训练流水线的快速调试而构建。
• 虽然它并非为模型基准测试而设计，但可以快速判断模型的基本功能和正确性。

数据集结构#

ImageNet10 附带预定义划分，使用完整 ImageNet 数据集的前 10 个类别（从 n01440764 丁鲷到 n01518878 鸵鸟）：

这 10 个类别各自对应一个 WordNet 同义词集（一组同义词），图像存储在按同义词集 ID 命名的分类文件夹中——这正是 Ultralytics 分类训练所需的目录结构。因此，在测试模型是否能识别预期的文件夹格式时，ImageNet10 可以作为结构忠实的精简版数据集。

在 Ultralytics Platform 上探索 ImageNet10，按类别浏览图像、在 Charts 选项卡中查看类别分布，并克隆数据集以在云端训练自己的模型。

应用场景#

ImageNet10 数据集适用于快速测试和调试计算机视觉模型及流水线。它的体积小，便于快速迭代，因此非常适合持续集成测试和基本检查。它也适合在使用完整 ImageNet 数据集进行大规模运行之前，快速初步测试新模型或代码更改。

用法#

要在 ImageNet10 数据集上测试分类模型，并将图像尺寸设为 224x224，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

# 加载模型
model = YOLO("yolo26n-cls.pt")  # 加载预训练模型（推荐用于训练）

# 训练模型
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，选取这些图像是为了代表其前 10 个类别，并提供多样而精简的资源，用于快速测试和评估。

此示例展示了 ImageNet10 数据集中图像的多样性和复杂性，突显了该数据集在计算机视觉模型的健全性检查和快速测试中的实用性。

引用与致谢#

如果你在研究或开发工作中使用 ImageNet10 数据集，请引用原始 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}
}

我们要感谢由 Olga Russakovsky、Jia Deng 和 Li Fei-Fei 领导的 ImageNet 团队创建并维护 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进行快速测试和调试的宝贵资源。如需了解有关 ImageNet 数据集及其创建者的更多信息，请访问 ImageNet 网站。

常见问题#