ImageNette 数据集#
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比 ImageNet 更快捷、更易用的版本。它包含 13,394 张彩色图像（9,469 张用于训练，3,925 张用于验证），涵盖丁鱥、英国史宾格犬、盒式磁带录音机和法国号等类别，使图像分类模型能够在几分钟内完成训练，而不像完整的 1,000 类 ImageNet 那样需要数小时。
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。
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。
应用#
ImageNette 数据集广泛用于在图像分类任务中训练和评估深度学习模型，例如卷积神经网络 (CNN) 和其他机器学习算法。其简单的格式和精心挑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。
用法#
要在 ImageNette 数据集上训练模型 100 个轮次，标准图像大小为 224x224，你可以使用以下代码片段。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="imagenette", epochs=100, imgsz=224)样本图像和标注#
ImageNette 数据集包含各种对象和场景的彩色图像，为图像分类任务提供了多样化的数据集。以下是该数据集中的一些图像示例：
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。
ImageNette160 和 ImageNette320#
为了加快原型设计和训练，ImageNette 还提供两个缩减尺寸版本：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缘长度。它们对于初步模型测试或计算资源有限的情况特别有用。
要使用这些数据集，只需在训练命令中将 imagenette 替换为 imagenette160 或 imagenette320。以下代码片段说明了这一点：
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)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)数据集的这些较小版本允许在开发过程中进行快速迭代，同时仍然提供现实的图像分类任务。你还可以使用 Ultralytics Platform 在云端管理分类数据集并运行训练。
引用与致谢#
如果你在研究或开发工作中使用 ImageNette 数据集，请给予适当的致谢。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 ImageNette，将其作为机器学习和计算机视觉研究社区的宝贵资源。
常见问题解答#
ImageNette 数据集是 ImageNet 的简化子集，包含 10 个易于区分的类别，如丁鱥、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，旨在提供更易于管理的数据集，以便高效训练和评估图像分类模型。这使其对于机器学习和计算机视觉中的快速软件开发和教育目的特别有用。
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。
要在 ImageNette 上训练 YOLO 模型 100 个轮次，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。
可以，ImageNette 还提供两个调整过尺寸的版本 ImageNette160 和 ImageNette320，它们的图像被调整为较小的最大边长。这些版本有助于加快原型设计，在计算资源有限时特别有用。
使用 ImageNette160 进行训练的示例from ultralytics import YOLO # Load a model model = YOLO("yolo26n-cls.pt") # Train the model with ImageNette160 results = model.train(data="imagenette160", epochs=100, imgsz=160)有关更多信息，请参考使用 ImageNette160 和 ImageNette320 进行训练。