Link to this sectionImageNette 数据集#

Name: ImageNette 图像分类数据集
Creator: fast.ai
License: https://www.image-net.org/download.php
Keywords: ImageNette 数据集, ImageNet 子集, 图像分类, 机器学习, 深度学习, YOLO, 卷积神经网络, 机器学习数据集, 教育, 训练

ImageNette 数据集是 ImageNet 的一个子集，包含 10 个易于区分的类别，由 fast.ai 创建，旨在为软件开发和教育提供一个更快速、更易用的 ImageNet 版本。它包含 13,394 张彩色图像——9,469 张用于训练，3,925 张用于验证——涵盖了丁鱼、英国史宾格犬、卡带播放器和法国号等类别，因此图像分类模型可以在几分钟内完成训练，而不是完整 1,000 类 ImageNet 所需的几小时。

Link to this section主要特性#

ImageNette 包含 13,394 张图像，分为 10 个类别：丁鱼、英国史宾格犬、卡带播放器、链锯、教堂、法国号、垃圾车、加油泵、高尔夫球和降落伞。
它附带了预定义的拆分，包含 9,469 张训练图像和 3,925 张验证彩色图像，尺寸各异。
这 10 个界限分明的类别使得 ImageNette 训练速度快且易于理解，因此被广泛用于原型设计和图像分类教学。

Link to this section数据集结构#

ImageNette 附带了预定义的训练/验证拆分，每个类别都存储在自己的文件夹中：

拆分	图像	类别
训练	9,469	10
验证	3,925	10

每类图像的确切数量各不相同，这为快速训练和基准测试提供了真实的分布，且无需完整 ImageNet 数据集的规模。

Link to this section应用#

ImageNette 数据集被广泛用于训练和评估深度学习模型在图像分类任务中的表现，例如卷积神经网络 (CNNs) 和其他机器学习算法。其简单的格式和精选的类别使其成为机器学习和计算机视觉领域初学者和经验丰富的从业者的实用资源。

Link to this section用法#

要在 ImageNette 数据集上以 224x224 的标准图像尺寸训练模型 100 个 epoch，你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。

训练示例

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="imagenette", epochs=100, imgsz=224)

Link to this section样本图像和标注#

ImageNette 数据集包含各种物体和场景的彩色图像，为图像分类任务提供了一个多样化的数据集。以下是该数据集中的一些图像示例：

ImageNette 分类数据集样本图像

该示例展示了 ImageNette 数据集中图像的多样性和复杂性，强调了多样化数据集对于训练稳健的图像分类模型的重要性。

Link to this sectionImageNette160 和 ImageNette320#

为了更快地进行原型设计和训练，ImageNette 还提供两种缩减尺寸的版本：ImageNette160 和 ImageNette320。这些数据集保留了完整 ImageNette 的相同类别和结构，但图像被调整为更小的最大边长。它们在进行初步模型测试或计算资源有限时特别有用。

要使用这些数据集，只需在训练命令中将 imagenette 替换为 imagenette160 或 imagenette320。以下代码片段演示了这一点：

使用 ImageNette160 进行训练的示例

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n-cls.pt")  # load a pretrained model (recommended for training)

# Train the model with ImageNette160
results = model.train(data="imagenette160", epochs=100, imgsz=160)

使用 ImageNette320 进行训练的示例

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n-cls.pt")  # load a pretrained model (recommended for training)

# Train the model with ImageNette320
results = model.train(data="imagenette320", epochs=100, imgsz=320)

这些较小版本的数据集允许在开发过程中进行快速迭代，同时仍能提供真实的图像分类任务。你还可以通过 Ultralytics Platform 管理分类数据集并在云端运行训练。

Link to this section引用与致谢#

如果你在研究或开发工作中使用了 ImageNette 数据集，请给予适当的引用。有关 ImageNette 的更多信息，请访问 ImageNette 数据集 GitHub 页面。

我们要感谢 fast.ai 团队创建并维护了 ImageNette，将其作为机器学习和计算机视觉研究社区的一项宝贵资源。

Link to this section常见问题解答#

Link to this section什么是 ImageNette 数据集？#

ImageNette 数据集是 ImageNet 的一个简化子集，包含 10 个易于区分的类别，如丁鱼、英国史宾格犬和法国号。它包含 13,394 张图像（9,469 张训练图像和 3,925 张验证图像），由 fast.ai 创建，旨在提供一个更易于管理的数据集，以便高效地训练和评估图像分类模型。这使得它在机器学习和计算机视觉的快速软件开发及教育用途中特别有用。

Link to this sectionImageNette 有多少张图像和类别？#

ImageNette 总共包含 13,394 张图像——9,469 张用于训练，3,925 张用于验证——分为 10 个类别：丁鱼、英国史宾格犬、卡带播放器、链锯、教堂、法国号、垃圾车、加油泵、高尔夫球和降落伞。每个类别都存储在自己的文件夹中，遵循 Ultralytics 所要求的标准分类布局。

Link to this section如何使用 ImageNette 数据集训练 YOLO 模型？#

要在 ImageNette 上训练 YOLO 模型 100 个 epoch，请使用以下命令。确保你已设置好 Ultralytics YOLO 环境。

训练示例

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="imagenette", epochs=100, imgsz=224)

有关更多详细信息，请参阅训练文档页面。

Link to this section为什么我应该使用 ImageNette 进行图像分类任务？#

ImageNette 数据集有几个优势：

快速且简单：只有 10 个类别和约 13,000 张图像，训练起来比完整 ImageNet 复杂度和耗时都要小得多。
教育用途：非常适合学习和教授图像分类基础知识，因为它所需的计算能力和时间较少。
通用性：广泛用于训练和基准测试图像分类模型，特别是卷积神经网络 (CNNs)。

有关模型训练和数据集管理的更多详细信息，请探索数据集结构部分。