Link to this sectionImageNet10 数据集#

Ultralytics ImageNet10 数据集 (data="imagenet10") 是 ImageNet 的一个微型子集，仅包含 24 张图像，涵盖了其前 10 个类别。它专为持续集成测试、完整性检查和训练流水线的快速验证而构建。它包含 12 张训练图像和 12 张验证图像，并采用了与完整数据集相同的 WordNet-synset 文件夹结构，因此在 ImageNet 上训练的模型无需更改即可在 ImageNet10 上进行训练——仅需几秒钟而非数小时。它旨在验证流水线能否端到端运行，而非用于评估 准确率。

Link to this section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。
• It is purpose-built for continuous integration tests, sanity checks, and rapid debugging of training pipelines in computer vision tasks.
• 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。

Link to this section数据集结构#

ImageNet10 附带预定义的拆分，使用了完整 ImageNet 数据集的前 10 个类别（从 n01440764 十条鱼到 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。

浏览 Ultralytics 平台上的 ImageNet10，可以按类别查看图像，在 图表 选项卡中查看类别分布，并将其克隆以在云端训练你自己的模型。

Link to this section应用#

ImageNet10 数据集对于快速测试和调试计算机视觉模型及流水线非常有用。其体积小巧，支持快速迭代，非常适合 持续集成 测试和完整性检查。在进行使用完整 ImageNet 数据集的全面运行之前，它也非常适合用于新模型或代码更改的初步快速测试。

Link to this section用法#

要在 224x224 图像尺寸下测试 ImageNet10 数据集上的分类模型，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)

Link to this section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。

Link to this section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进行快速测试和调试的宝贵资源。欲了解更多有关 ImageNet 数据集及其创建者的信息，请访问 ImageNet 网站。

Link to this section常见问题解答#

Link to this section什么是 ImageNet10 数据集，它与完整 ImageNet 数据集有何不同？#

ImageNet10 数据集是 ImageNet 数据库的一个紧凑子集，由 Ultralytics 为快速 CI 测试、完整性检查和训练流水线评估而创建。它包含来自 ImageNet 前 10 个类别的 24 张图像（12 张训练和 12 张验证）。尽管体积很小，但它保留了完整数据集的 WordNet 文件夹结构，使其非常适合快速流水线测试，但不适用于基准测试模型准确率。

Link to this sectionImageNet10 有多少图像和类别？#

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。每个类别都是存储在其自己文件夹中的 WordNet synset，因此该数据集以较小的体积镜像了完整 ImageNet 数据集的布局。

Link to this section我该如何使用 ImageNet10 数据集来测试我的深度学习模型？#

要在 224x224 图像尺寸下测试 ImageNet10 上的分类模型，请使用以下代码片段。

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)

请参阅 Training 页面获取可用参数的完整列表。

Link to this section为什么我应该使用 ImageNet10 数据集进行 CI 测试和完整性检查？#

ImageNet10 是专门为 深度学习 流水线中的 CI 测试、完整性检查和快速评估而设计的。其 24 张图像的规模允许近乎即时的迭代，这使其非常适合对速度要求极高的持续集成。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规模数据集的情况下，提供对模型基本功能和正确性的可靠检查。

Link to this sectionImageNet10 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，但它们的目的不同。ImageNet10 仅包含来自前 10 个类别的 24 张图像，这使其在 CI 测试和快速完整性检查方面非常轻量。相比之下，ImageNette 在 10 个易于区分的类别中包含了超过 13,000 张图像，这使其适合实际的模型训练和开发。ImageNet10 用于验证流水线功能，而 ImageNette 更适合进行有意义但比完整 ImageNet 更快的训练实验。