ImageNet10 数据集
ImageNet10 数据集是 ImageNet 数据库的一个小规模子集,由 Ultralytics 开发,专为 CI 测试、完整性检查和训练管道的快速测试而设计。该数据集由 ImageNet 中前 10 个类别的训练集中的第一张图像和验证集中的第一张图像组成。虽然规模明显较小,但它保留了原始 ImageNet 数据集的结构和多样性。
主要功能
- ImageNet10 是 ImageNet 的精简版本,包含 20 张图像,代表原始数据集的前 10 个类别。
- 该数据集根据 WordNet 层次结构进行组织,与完整的 ImageNet 数据集的结构相呼应。
- 它非常适合 CI 测试、完整性检查以及在计算机视觉任务中快速测试训练管道。
- 虽然它不是为模型基准测试而设计的,但它可以快速指示模型的基本功能和正确性。
数据集结构
与原始ImageNet一样,ImageNet10数据集是使用WordNet层次结构组织的。ImageNet10中的10个类别中的每一个都由一个同义词集(一组同义词)描述。ImageNet10中的图像用一个或多个同义词集进行注释,从而为测试模型以识别各种对象及其关系提供了一个紧凑的资源。
应用
ImageNet10数据集对于快速测试和调试计算机视觉模型和pipeline非常有用。它体积小,可以快速迭代,非常适合持续集成测试和完整性检查。它还可以用于快速初步测试新模型或更改现有模型,然后再使用完整的ImageNet数据集进行全面测试。
用法
要在 ImageNet10 数据集上测试图像大小为 224x224 的深度学习模型,可以使用以下代码片段。有关可用参数的完整列表,请参阅模型训练页面。
测试示例
from ultralytics import YOLO
# Load a model
model = YOLO("yolo11n-cls.pt") # load a pretrained model (recommended for training)
# Train the model
results = model.train(data="imagenet10", epochs=5, imgsz=224)
# Start training from a pretrained *.pt model
yolo classify train data=imagenet10 model=yolo11n-cls.pt epochs=5 imgsz=224
Sample Images 和注释
ImageNet10 数据集包含来自原始 ImageNet 数据集的图像子集。这些图像经过选择,代表数据集中的前 10 个类别,从而提供了一个多样化但紧凑的数据集,用于快速测试和评估。
该示例展示了 ImageNet10 数据集中图像的多样性和复杂性,突出了它在健全性检查和计算机视觉模型快速测试中的实用性。
引用和致谢
如果您在研究或开发工作中使用 ImageNet10 数据集,请引用 ImageNet 原始论文:
@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 Olga Russakovsky、Jia Deng 和 Li Fei-Fei 领导的 ImageNet 团队创建并维护 ImageNet 数据集。 ImageNet10 数据集虽然是一个紧凑的子集,但它是 机器学习 和计算机视觉研究社区中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
什么是 ImageNet10 数据集?它与完整的 ImageNet 数据集有何不同?
ImageNet10 数据集是原始 ImageNet 数据库的紧凑子集,由 Ultralytics 创建,用于快速 CI 测试、完整性检查和训练管道评估。ImageNet10 仅包含 20 张图像,代表 ImageNet 中前 10 个类别的训练集和验证集中的第一张图像。尽管它体积很小,但它保持了完整数据集的结构和多样性,使其非常适合快速测试,但不适合对模型进行基准测试。
如何使用 ImageNet10 数据集来测试我的深度学习模型?
要在 ImageNet10 数据集上测试图像大小为 224x224 的深度学习模型,请使用以下代码片段。
测试示例
from ultralytics import YOLO
# Load a model
model = YOLO("yolo11n-cls.pt") # load a pretrained model (recommended for training)
# Train the model
results = model.train(data="imagenet10", epochs=5, imgsz=224)
# Start training from a pretrained *.pt model
yolo classify train data=imagenet10 model=yolo11n-cls.pt epochs=5 imgsz=224
有关可用参数的完整列表,请参阅训练页面。
为什么我应该使用 ImageNet10 数据集进行 CI 测试和完整性检查?
ImageNet10 数据集专为 深度学习 管道中的 CI 测试、健全性检查和快速评估而设计。它的小尺寸允许快速迭代和测试,使其非常适合速度至关重要的持续集成过程。通过保持原始 ImageNet 数据集的结构复杂性和多样性,ImageNet10 提供了模型基本功能和正确性的可靠指示,而无需处理大型数据集的开销。
ImageNet10 数据集的主要特点是什么?
ImageNet10 数据集具有以下几个关键特性:
- 尺寸紧凑: 仅包含 20 张图像,可以进行快速测试和调试。
- 结构化组织:遵循 WordNet 层次结构,类似于完整的 ImageNet 数据集。
- CI 和健全性检查: 非常适合持续集成测试和健全性检查。
- 不适用于基准测试: 虽然对于快速模型评估很有用,但它并非设计用于广泛的基准测试。
ImageNet10 与 ImageNette 等其他小型数据集相比如何?
虽然 ImageNet10 和 ImageNette 都是 ImageNet 的子集,但它们的用途不同。ImageNet10 仅包含 ImageNet 前 10 个类别的 20 张图像(每个类别 2 张),因此它非常轻量级,适用于 CI 测试和快速完整性检查。相比之下,ImageNette 包含 10 个易于区分的类别的数千张图像,使其更适合实际的模型训练和开发。ImageNet10 专为验证管道功能而设计,而 ImageNette 更适合有意义但比完整 ImageNet 更快的训练实验。