Link to this sectionImageWoof 数据集#

Name: ImageWoof 图像分类数据集
Creator: fast.ai
License: https://www.image-net.org/download.php
Keywords: ImageWoof 数据集, ImageNet 子集, 犬种, 图像分类, 细粒度分类, 深度学习, 机器学习, Ultralytics, 噪声标签

ImageWoof 数据集是 ImageNet 的一个子集，包含 10 个故意设计得难以区分的犬种类别。它由 fast.ai 创建，旨在为 image classification 算法提供更严峻的挑战。该数据集包含 12,954 张彩色图像——9,025 张用于训练，3,929 张用于验证——涵盖了比格犬、西施犬和金毛寻回犬等品种，促使模型去区分细微的粒度差异，而非简单的对象类别。

Link to this section主要特性#

ImageWoof 包含 12,954 张图像，涵盖 10 个犬种：澳大利亚梗、边境梗、萨摩耶犬、比格犬、西施犬、英国猎狐犬、罗得西亚脊背犬、澳洲野犬、金毛寻回犬和英国古代牧羊犬。
它自带预定义的训练集（9,025 张）和验证集（3,929 张）划分，并提供多种分辨率（全尺寸、320px、160px）以适应不同的计算预算。
它还包含一个带有噪声标签的版本，提供了标签并不总是可靠的更现实的场景。

Link to this section数据集结构#

ImageWoof 自带预定义的训练/验证集划分，每个犬种都存储在各自的文件夹中：

拆分	图像	类别
训练	9,025	10
验证	3,929	10

由于所有 10 个类别都是犬种，这种划分旨在测试细粒度分类（即区分视觉上相似的类别），而不是完整 ImageNet 数据集那种广泛的对象识别。

Link to this section应用#

ImageWoof 数据集被广泛用于在更复杂和相似的类别上训练和评估 deep learning 模型。其挑战在于犬种之间的细微差别，这推动了模型性能和泛化能力的极限。它尤其适用于：

基准测试细粒度类别的分类性能
测试模型针对外观相似类别的鲁棒性
开发能够识别细微视觉差异的算法
评估从通用领域到特定领域的迁移学习

Link to this section用法#

要在 ImageWoof 数据集上进行 100 个 epochs 的分类模型训练，且图像大小为 224x224，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 Training 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="imagewoof", epochs=100, imgsz=224)

Link to this section数据集变体#

ImageWoof 提供三种尺寸以适应不同的研究需求和计算预算：

全尺寸 (imagewoof)：原始版本，包含全尺寸图像，是最终训练和性能基准测试的理想选择。
中尺寸 (imagewoof320)：图像调整为最大边缘长度 320 像素，适合在不显著牺牲模型性能的情况下实现更快的训练。
小尺寸 (imagewoof160)：图像调整为最大边缘长度 160 像素，专为训练速度优先的快速原型设计和实验而设计。

要使用这些变体，只需将数据集参数中的 imagewoof 替换为 imagewoof320 或 imagewoof160。例如：

示例

from ultralytics import YOLO

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

# For medium-sized dataset
model.train(data="imagewoof320", epochs=100, imgsz=224)

# For small-sized dataset
model.train(data="imagewoof160", epochs=100, imgsz=224)

请注意，较小的图像可能会导致较低的分类 accuracy，但它们是模型开发早期阶段进行快速迭代的绝佳方式。你还可以使用 Ultralytics Platform 在云端管理分类数据集并进行训练。

Link to this section样本图像和标注#

ImageWoof 数据集包含各种犬种的彩色图像，为图像分类任务提供了具有挑战性的数据集。以下是来自该数据集的一些图像示例：

ImageWoof 犬种分类数据集样本

该示例展示了不同犬种之间的细微差异和相似之处，突显了分类任务的复杂性和难度。

Link to this section引用与致谢#

如果你在研究或开发工作中使用了 ImageWoof 数据集，请通过链接到官方数据集仓库来注明数据集创建者的贡献。

我们要感谢 fast.ai 团队将 ImageWoof 作为 machine learning 和 computer vision 研究社区的宝贵资源进行创建和维护。欲了解更多关于 ImageWoof 的信息，请访问 ImageWoof 数据集仓库。

ImageWoof 数据集是一个具有挑战性的 ImageNet 子集，专注于 10 个犬种，包含 12,954 张图像（9,025 张用于训练，3,929 张用于验证）。它由 fast.ai 创建，旨在推动图像分类模型的极限，涵盖了比格犬、西施犬和金毛寻回犬等品种。该数据集提供多种分辨率（全尺寸、320px、160px），甚至包括用于更现实训练场景的噪声标签，使其成为开发高级深度学习模型的理想选择。

Link to this sectionImageWoof 有多少张图像和犬种？#

ImageWoof 总共包含 12,954 张图像——9,025 张用于训练，3,929 张用于验证——涵盖了 10 个犬种：澳大利亚梗、边境梗、萨摩耶犬、比格犬、西施犬、英国猎狐犬、罗得西亚脊背犬、澳洲野犬、金毛寻回犬和英国古代牧羊犬。每个品种都存储在各自的文件夹中，遵循 Ultralytics 所需的标准分类布局。

Link to this section我如何使用 Ultralytics YOLO 通过 ImageWoof 数据集训练模型？#

要使用 Ultralytics YOLO 在 ImageWoof 数据集上进行 100 个 epoch、图像大小为 224x224 的分类模型训练，请使用以下代码：

训练示例

from ultralytics import YOLO

model = YOLO("yolo26n-cls.pt")  # Load a pretrained model
results = model.train(data="imagewoof", epochs=100, imgsz=224)

有关可用训练参数的更多详情，请参考 Training 页面。