YOLO Vision 2026：
Research

ImageWoof 数据集#

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狗品种类别，由 fast.ai 创建，作为对图像分类算法的更高难度挑战。它包含 12,954 张彩色图像（9,025 张用于训练，3,929 张用于验证），涵盖小猎犬、西施犬和金毛寻回犬等品种，促使模型去辨别细微的颗粒度差异，而不是显眼的物体类别。

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。

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9,02510
验证3,92910

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。

应用#

ImageWoof 数据集广泛用于在更复杂和相似的类别上训练和评估深度学习模型。其挑战在于各个狗品种之间的微小差异，这突破了模型性能和泛化能力的极限。它对于以下方面尤其有价值：

  • 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

用法#

要使用 224x224 的图像大小在 ImageWoof 数据集上训练分类模型 100 个轮次，请使用下面的代码片段。有关可用参数的完整列表，请参考模型训练页面。

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

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：

  1. 全尺寸 (imagewoof)：具有全尺寸图像的原始版本，非常适合最终训练和性能基准测试。
  2. 中等尺寸 (imagewoof320)：图像调整为最大边长 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。
  3. 小尺寸 (imagewoof160)：图像调整为最大边长 160 像素，专为将训练速度放在首位的快速原型制作和实验而设计。

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，较小的图像可能会带来较低的分类准确率，但它们是在模型开发早期阶段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运行训练。

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 dog breed classification dataset samples

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。

引用与致谢#

如果在你的研究或开发工作中使用 ImageWoof 数据集，请通过链接到官方数据集仓库来向数据集的创建者致谢。

我们要感谢 fast.ai 团队创建并维护 ImageWoof，将其作为机器学习和计算机视觉研究社区的宝贵资源。有关 ImageWoof 的更多信息，请访问 ImageWoof 数据集仓库。

常见问题解答#

  • ImageWoof 数据集是 ImageNet 的一个具有挑战性的子集，专注于 10 个狗品种，包含 12,954 张图像（9,025 张用于训练，3,929 张用于验证）。由 fast.ai 创建以突破图像分类模型极限，它具有小猎犬、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），甚至包含用于更真实训练场景的噪声标签，使其非常适合开发高级深度学习模型。

  • 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。

  • 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，请参考训练页面。

  • ImageWoof 数据集有三种尺寸：

    1. 全尺寸 (imagewoof)：非常适合最终训练和基准测试，包含全尺寸图像。
    2. 中等尺寸 (imagewoof320)：调整后的图像最大边长为 320 像素，适合更快的训练。
    3. 小尺寸 (imagewoof160)：调整后的图像最大边长为 160 像素，非常适合快速原型制作。

    通过相应地替换数据集参数中的 imagewoof 来使用这些版本。请注意，较小的图像可能会产生较低的分类准确率，但它们有利于更快地进行迭代。

  • ImageWoof 数据集中的噪声标签模拟了标签并不总是准确的真实世界条件。使用此数据训练模型有助于在图像分类任务中培养鲁棒性和泛化能力。它使模型能够有效地处理实际应用中经常遇到的模糊或标记错误的数据。

  • ImageWoof 的主要挑战在于其包含的狗品种之间的微小差异。因为它专注于 10 个密切相关的品种，所以在它们之间进行区分需要更高级且微调的图像分类模型。这使得 ImageWoof 成为测试深度学习模型功能和改进情况的绝佳基准。

贡献者
GLglenn-jocher14JKjk4e3RAraimbekovm2PDpderrenger1HIhim2him21MAMatthewNoyce1RIRizwanMunawar1

评论