ImageNet10 数据集#

Ultralytics ImageNet10 数据集（data="imagenet10"）是 ImageNet 的一个微型 24 张图像子集，涵盖其前 10 个类别，专为持续集成测试、完整性检查以及训练管道的快速验证而构建。它包含 12 张训练图像和 12 张验证图像，组织结构与完整数据集的 WordNet 同义词集文件夹结构相同，因此在 ImageNet 上训练的模型可以在几秒钟而不是几小时内原封不动地在 ImageNet10 上进行训练。它旨在验证管道是否能端到端运行，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，12 张验证），均选自 ImageNet 的前 10 个类别。
• 该数据集根据 WordNet 层级进行组织，镜像了完整 ImageNet 数据集的各个类别 synset 文件夹。
• 它专为持续集成测试、完整性检查以及计算机视觉任务中训练管线的快速调试而构建。
• 虽然它并非为模型基准测试而设计，但它可以快速指示模型的基本功能和正确性。

数据集结构#

ImageNet10 带有预定义的拆分，使用完整 ImageNet 数据集的前 10 个类别（从 n01440764 丁鱥到 n01518878 鸵鸟）：

这 10 个类别中的每一个都是一个 WordNet synset（一组同义词），图像位于以 synset ID 命名的分层类别文件夹中——这正是 Ultralytics 分类训练所预期的布局。这使得 ImageNet10 成为在测试模型是否识别预期文件夹格式时，完整数据集的一个紧凑且结构忠实的替代品。

探索 Ultralytics 平台上的 ImageNet10 以按类别浏览图像，在图表标签页中查看类别分布，并将其克隆以在云端训练你自己的模型。

应用#

ImageNet10 数据集对于快速测试和调试计算机视觉模型及管道非常有用。其较小的体积允许快速迭代，使其非常适合持续集成测试和完整性检查。在转向使用完整 ImageNet 数据集进行大规模运行之前，它对于对新模型或代码更改进行快速初步测试也非常方便。

用法#

要在图像大小为 224x224 的 ImageNet10 数据集上测试分类模型，请使用以下代码片段。有关可用参数的完整列表，请参考模型训练页面。

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)

样本图像和标注#

ImageNet10 数据集包含原始 ImageNet 数据集的一个图像子集，旨在代表其前 10 个类别，并提供一种既多样又紧凑的资源，以便进行快速测试和评估。

该示例展示了 ImageNet10 数据集中图像的多样性和复杂性，突显了其在计算机视觉模型完整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}
}

我们要感谢由 Olga Russakovsky、Jia Deng 和 Li Fei-Fei 领导的 ImageNet 团队创建和维护 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。

常见问题解答#