ImageWoof 数据集

Q: What is the ImageWoof dataset in Ultralytics?

ImageWoof 数据集是 ImageNet 的一个具有挑战性的子集，主要针对 10 个特定的狗品种。该数据集以比格犬、西施犬和金毛寻回犬等犬种为特色，旨在挑战图像分类模型的极限。该数据集包括各种分辨率的图像（全尺寸、320px、160px），甚至还包括噪声标签，以获得更真实的训练场景。这种复杂性使 ImageWoof 成为开发更高级深度学习模型的理想选择。

Q: What versions of the ImageWoof dataset are available?

ImageWoof 数据集有三种尺寸：将数据集参数中的 "imagewoof "替换为这些版本即可。不过请注意，较小的图像可能会降低分类准确率，但对于快速迭代很有用。

ImageWoof数据集是 ImageNet 的一个子集，由 10 个类别组成，这些类别都是狗的品种，因此分类难度很大。创建该数据集的目的是让图像分类算法解决难度更大的任务，鼓励开发更先进的模型。

主要功能

ImageWoof 包含 10 种不同犬种的图片：澳大利亚梗犬、边境梗犬、萨摩耶犬、比格犬、西施犬、English 猎狐犬、罗得西亚脊背犬、丁戈犬、金毛寻回犬和老English 牧羊犬。
数据集提供不同分辨率（全尺寸、320px、160px）的图像，以满足不同的计算能力和研究需要。
它还包括一个带噪声标签的版本，提供了一个更真实的场景，即标签可能并不总是可靠的。

数据集结构

ImageWoof 数据集的结构基于狗的品种类别，每个品种都有自己的图像目录。

应用

ImageWoof 数据集被广泛用于训练和评估图像分类任务中的深度学习模型，尤其是在涉及更复杂和相似的类别时。该数据集的挑战在于狗种之间的细微差别，挑战着模型性能和泛化的极限。

使用方法

要在图像大小为 224x224 的 ImageWoof 数据集上对 CNN 模型进行 100次训练，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。

列车示例

PythonCLI

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n-cls.pt")  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data="imagewoof", epochs=100, imgsz=224)

# Start training from a pretrained *.pt model
yolo classify train data=imagewoof model=yolo11n-cls.pt epochs=100 imgsz=224

数据集变体

ImageWoof 数据集有三种不同大小，可满足不同的研究需求和计算能力：

全尺寸 (imagewoof)：这是 ImageWoof 数据集的原始版本。它包含全尺寸图像，是最终培训和性能基准测试的理想选择。
中等大小（imagewoof320）：该版本包含经过调整的图像，最大边缘长度为 320 像素。该版本适合在不明显影响模型性能的情况下加快训练速度。
小尺寸（imagewoof160）：该版本包含经过调整的图像，最大边缘长度为 160 像素。它专为快速原型设计和实验而设计，训练速度是其优先考虑的因素。

要在训练中使用这些变体，只需将数据集参数中的 "imagewoof "替换为 "imagewoof320 "或 "imagewoof160 "即可。例如

示例

PythonCLI

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n-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)

# Load a pretrained model and train on the small-sized dataset
yolo classify train model=yolo11n-cls.pt data=imagewoof320 epochs=100 imgsz=224

值得注意的是，使用较小的图像可能会降低分类准确率。不过，在模型开发和原型设计的早期阶段，这是一种快速迭代的绝佳方法。

图片和注释示例

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一个具有挑战性的数据集。下面是该数据集中的一些图像示例：

数据集样本图像

该示例展示了 ImageWoof 数据集中不同犬种之间的细微差别和相似之处，凸显了分类任务的复杂性和难度。

引文和致谢

如果您在研究或开发工作中使用 ImageWoof 数据集，请务必通过链接到官方数据集存储库，向数据集创建者致谢。

FastAI团队创建并维护了ImageWoof数据集，为机器学习和计算机视觉研究界提供了宝贵的资源，在此表示感谢。有关 ImageWoof 数据集的更多信息，请访问ImageWoof 数据集资源库。

常见问题

Ultralytics 中的 ImageWoof 数据集是什么？

ImageWoof数据集是 ImageNet 的一个具有挑战性的子集，主要针对 10 个特定的狗品种。该数据集以比格犬、西施犬和金毛寻回犬等犬种为特色，旨在挑战图像分类模型的极限。该数据集包括各种分辨率的图像（全尺寸、320px、160px），甚至还包括噪声标签，以获得更真实的训练场景。这种复杂性使 ImageWoof 成为开发更高级深度学习模型的理想选择。

如何通过Ultralytics YOLO 使用 ImageWoof 数据集训练模型？

要在图像大小为 224x224 的 ImageWoof 数据集上使用Ultralytics YOLO 训练卷积神经网络(CNN) 模型 100 次，可以使用以下代码：

列车示例

PythonCLI

from ultralytics import YOLO

model = YOLO("yolo11n-cls.pt")  # Load a pretrained model
results = model.train(data="imagewoof", epochs=100, imgsz=224)

yolo classify train data=imagewoof model=yolo11n-cls.pt epochs=100 imgsz=224

有关可用培训论点的更多详情，请参阅培训页面。