ImageWoof Veri Kümesi

ImageWoof veri seti, hepsinin köpek ırkı olması nedeniyle sınıflandırılması zor olan 10 sınıftan oluşan ImageNet'in bir alt kümesidir. Daha gelişmiş modellerin geliştirilmesini teşvik etmeyi amaçlayan görüntü sınıflandırma algoritmalarının çözmesi için daha zor bir görev olarak oluşturulmuştur.

Temel Özellikler

• ImageWoof, 10 farklı köpek ırkının görüntülerini içerir: Avustralyalı terrier, Border terrier, Samoyed, Beagle, Shih-Tzu, English tilkiköpeği, Rodezya sırtlan köpeği, Dingo, Golden retriever ve Eski English koyun köpeği.
• Veri kümesi, farklı hesaplama yeteneklerine ve araştırma ihtiyaçlarına uyum sağlayarak çeşitli çözünürlüklerde (tam boyut, 320 piksel, 160 piksel) görüntüler sunar.
• Ayrıca, etiketlerin her zaman güvenilir olmayabileceği daha gerçekçi bir senaryo sağlayan gürültülü etiketlere sahip bir sürümü de içerir.

Veri Seti Yapısı

ImageWoof veri seti yapısı, köpek ırkı sınıflarına dayanmaktadır ve her ırkın kendi görüntü dizini vardır. Diğer sınıflandırma veri setlerine benzer şekilde, eğitim ve doğrulama kümeleri için ayrı klasörlerle bölünmüş bir dizin formatını izler.

Uygulamalar

ImageWoof veri seti, özellikle daha karmaşık ve benzer sınıflar söz konusu olduğunda, görüntü sınıflandırma görevlerinde derin öğrenme modellerini eğitmek ve değerlendirmek için yaygın olarak kullanılır. Veri setinin zorluğu, modelin performansının ve genellemesinin sınırlarını zorlayan köpek ırkları arasındaki ince farklılıklarda yatmaktadır. Özellikle aşağıdakiler için değerlidir:

• İnce taneli kategorilerde sınıflandırma modeli performansını kıyaslama
• Modelin benzer görünümlü sınıflara karşı dayanıklılığını test etme
• Hassas görsel farklılıkları ayırt edebilen algoritmalar geliştirmek
• Genelden özele alanlara transfer öğrenme yeteneklerini değerlendirme

Kullanım

224x224 görüntü boyutuyla 100 epoch için ImageWoof veri kümesi üzerinde bir CNN modeli eğitmek için aşağıdaki kod parçacıklarını kullanabilirsiniz. Mevcut argümanların kapsamlı bir listesi için, model Eğitim sayfasına bakın.

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

Veri Kümesi Çeşitleri

ImageWoof veri kümesi, çeşitli araştırma ihtiyaçlarını ve hesaplama yeteneklerini karşılamak için üç farklı boyutta gelir:

1. Tam Boyut (imagewoof): Bu, ImageWoof veri kümesinin orijinal sürümüdür. Tam boyutlu görüntüler içerir ve son eğitim ve performans kıyaslaması için idealdir.

2. Orta Boyut (imagewoof320): Bu sürüm, maksimum kenar uzunluğu 320 piksele yeniden boyutlandırılmış görüntüler içerir. Model performansından önemli ölçüde ödün vermeden daha hızlı eğitim için uygundur.

3. Küçük Boyut (imagewoof160): Bu sürüm, maksimum kenar uzunluğu 160 piksel olacak şekilde yeniden boyutlandırılmış görüntüler içerir. Eğitim hızının öncelikli olduğu hızlı prototipleme ve deneyler için tasarlanmıştır.

Eğitiminizde bu varyantları kullanmak için, veri kümesi argümanındaki 'imagewoof' yerine 'imagewoof320' veya 'imagewoof160' yazmanız yeterlidir. Örneğin:

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 medium-sized dataset
yolo classify train model=yolo11n-cls.pt data=imagewoof320 epochs=100 imgsz=224

Daha küçük resimler kullanmanın, sınıflandırma doğruluğu açısından daha düşük performans sağlayacağını unutmamak önemlidir. Ancak, model geliştirme ve prototiplemenin ilk aşamalarında hızlı bir şekilde yineleme yapmak için mükemmel bir yoldur.

Örnek Görüntüler ve Açıklamalar

ImageWoof veri kümesi, çeşitli köpek ırklarının renkli görüntülerini içerir ve görüntü sınıflandırma görevleri için zorlu bir veri kümesi sağlar. İşte veri kümesinden bazı görüntü örnekleri:

Örnek, ImageWoof veri setindeki farklı köpek ırkları arasındaki ince farklılıkları ve benzerlikleri sergileyerek, sınıflandırma görevinin karmaşıklığını ve zorluğunu vurgulamaktadır.

Alıntılar ve Teşekkürler

Araştırma veya geliştirme çalışmalarınızda ImageWoof veri kümesini kullanırsanız, lütfen resmi veri kümesi deposuna bağlantı vererek veri kümesinin yaratıcılarını belirttiğinizden emin olun.

Makine öğrenimi ve bilgisayar görüşü araştırma topluluğu için değerli bir kaynak olarak ImageWoof veri kümesini oluşturan ve sürdüren FastAI ekibine teşekkür etmek istiyoruz. ImageWoof veri kümesi hakkında daha fazla bilgi için ImageWoof veri kümesi deposunu ziyaret edin.

SSS

Ultralytics'te ImageWoof veri seti nedir?

ImageWoof veri kümesi, ImageNet'in 10 belirli köpek ırkına odaklanan zorlu bir alt kümesidir. Görüntü sınıflandırma modellerinin sınırlarını zorlamak için oluşturulmuş olup, Beagle, Shih-Tzu ve Golden Retriever gibi ırkları içerir. Veri kümesi, çeşitli çözünürlüklerde (tam boyut, 320 piksel, 160 piksel) ve hatta daha gerçekçi eğitim senaryoları için gürültülü etiketler içeren görüntüler içerir. Bu karmaşıklık, ImageWoof'u daha gelişmiş derin öğrenme modelleri geliştirmek için ideal hale getirir.

Ultralytics YOLO ile ImageWoof veri kümesini kullanarak bir modeli nasıl eğitebilirim?

Ultralytics YOLO kullanarak 224x224 görüntü boyutunda 100 epoch için ImageWoof veri kümesi üzerinde bir Evrişimsel Sinir Ağı (CNN) modeli eğitmek için aşağıdaki kodu kullanabilirsiniz:

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

Mevcut eğitim argümanları hakkında daha fazla bilgi için Eğitim sayfasına bakın.

ImageWoof veri setinin hangi versiyonları mevcuttur?

ImageWoof veri kümesi üç boyutta gelir:

1. Tam Boyut (imagewoof): Tam boyutlu görüntüler içeren, son eğitim ve kıyaslama için idealdir.
2. Orta Boyut (imagewoof320): Daha hızlı eğitim için uygun, maksimum kenar uzunluğu 320 piksel olan yeniden boyutlandırılmış görüntüler.
3. Küçük Boyut (imagewoof160): Maksimum kenar uzunluğu 160 piksel olan, hızlı prototipleme için mükemmel olan yeniden boyutlandırılmış görüntüler.

Veri kümesi argümanındaki 'imagewoof' ifadesini uygun şekilde değiştirerek bu sürümleri kullanın. Bununla birlikte, daha küçük görüntülerin daha düşük sınıflandırma doğruluğu sağlayabileceğini, ancak daha hızlı yinelemeler için faydalı olabileceğini unutmayın.

ImageWoof veri kümesindeki gürültülü etiketler eğitime nasıl fayda sağlar?

ImageWoof veri kümesindeki gürültülü etiketler, etiketlerin her zaman doğru olmayabileceği gerçek dünya koşullarını simüle eder. Bu verilerle modelleri eğitmek, görüntü sınıflandırma görevlerinde sağlamlık ve genelleme geliştirmeye yardımcı olur. Bu, modelleri pratik uygulamalarda sıklıkla karşılaşılan belirsiz veya yanlış etiketlenmiş verileri etkili bir şekilde ele almaya hazırlar.

ImageWoof veri kümesini kullanmanın temel zorlukları nelerdir?

ImageWoof veri kümesinin temel zorluğu, içerdiği köpek ırkları arasındaki ince farklılıklarda yatmaktadır. Yakından ilişkili 10 ırka odaklandığı için, bunlar arasında ayrım yapmak daha gelişmiş ve ince ayarlı görüntü sınıflandırma modelleri gerektirir. Bu, ImageWoof'u derin öğrenme modellerinin yeteneklerini ve iyileştirmelerini test etmek için mükemmel bir ölçüt haline getirir.

📅 1 yıl önce oluşturuldu ✏️ 4 ay önce güncellendi

Yorumlar