ImageNet10 数据集

ImageNet10 数据集是 ImageNet 数据库的一个小型子集，由 Ultralytics 开发，专为CI测试、健全性检查和训练管道的快速测试而设计。该数据集由ImageNet训练集中的第一张图像和验证集中的第一张图像组成，涵盖了ImageNet的前10个类别。尽管规模显著缩小，但它保留了原始ImageNet数据集的结构和多样性。

主要特点

ImageNet10 是 ImageNet 的紧凑版本，包含代表原始数据集前10个类别的20张图像。
该数据集按照WordNet层次结构组织，反映了完整ImageNet数据集的结构。
它非常适合用于计算机视觉任务中的CI测试、健全性检查和快速测试训练管道。
虽然不是为模型基准测试设计的，但它可以快速指示模型的基本功能和正确性。

数据集结构

与原始ImageNet一样，ImageNet10数据集使用WordNet层次结构进行组织。ImageNet10中的每个类别由一个同义词集（一组同义词）描述。ImageNet10中的图像带有注释，包含一个或多个同义词集，为测试模型识别各种对象及其关系提供了紧凑的资源。

应用

ImageNet10数据集适用于快速测试和调试计算机视觉模型和管道。其小规模允许快速迭代，非常适合持续集成测试和健全性检查。在进行完整ImageNet数据集的全面测试之前，它还可以用于新模型或现有模型更改的快速初步测试。

使用方法

要使用224x224的图像尺寸在ImageNet10数据集上测试深度学习模型，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。

测试示例

PythonCLI

from ultralytics import YOLO

# 加载模型
model = YOLO("yolo11n-cls.pt")  # 加载预训练模型（推荐用于训练）

# 训练模型
results = model.train(data="imagenet10", epochs=5, imgsz=224)

# 从预训练的 *.pt 模型开始训练
yolo classify train data=imagenet10 model=yolo11n-cls.pt epochs=5 imgsz=224

示例图像和注释

ImageNet10数据集包含原始ImageNet数据集的一个子集图像。这些图像选自数据集的前10个类别，为快速测试和评估提供了一个多样且紧凑的数据集。

数据集示例图像该示例展示了ImageNet10数据集中图像的多样性和复杂性，突出了其在健全性检查和快速测试计算机视觉模型方面的实用性。

引用和致谢

如果您在研究或开发工作中使用了ImageNet10数据集，请引用原始ImageNet论文：

BibTeX

@article{ILSVRC15,
         author = {Olga Russakovsky and Jia Deng and Hao Su and Jonathan Krause and Sanjeev Satheesh and Sean Ma and Zhiheng Huang and Andrej Karpathy and Aditya Khosla and Michael Bernstein and Alexander C. Berg and Li Fei-Fei},
         title={ImageNet Large Scale Visual Recognition Challenge},
         year={2015},
         journal={International Journal of Computer Vision (IJCV)},
         volume={115},
         number={3},
         pages={211-252}
}

我们要感谢由Olga Russakovsky、Jia Deng和Li Fei-Fei领导的ImageNet团队创建和维护ImageNet数据集。尽管ImageNet10是一个紧凑的子集，但它对于机器学习和计算机视觉研究社区中的快速测试和调试是一个宝贵的资源。有关ImageNet数据集及其创建者的更多信息，请访问 ImageNet网站。

常见问题

ImageNet10数据集是什么，它与完整的ImageNet数据集有何不同？

ImageNet10 数据集是原始 ImageNet 数据库的一个紧凑子集，由 Ultralytics 创建，用于快速 CI 测试、健全性检查和训练管道评估。ImageNet10 仅包含 20 张图像，代表了 ImageNet 中前 10 个类别训练集和验证集中的第一张图像。尽管规模较小，但它保持了完整数据集的结构和多样性，非常适合快速测试，但不适合模型基准测试。

如何使用 ImageNet10 数据集测试我的深度学习模型？

要使用 224x224 图像尺寸在 ImageNet10 数据集上测试您的深度学习模型，请使用以下代码片段。

测试示例

PythonCLI

from ultralytics import YOLO

# 加载模型
model = YOLO("yolo11n-cls.pt")  # 加载预训练模型（推荐用于训练）

# 训练模型
results = model.train(data="imagenet10", epochs=5, imgsz=224)

# 从预训练的 *.pt 模型开始训练
yolo classify train data=imagenet10 model=yolo11n-cls.pt epochs=5 imgsz=224

有关可用参数的完整列表，请参阅训练页面。

为什么我应该使用 ImageNet10 数据集进行 CI 测试和健全性检查？

ImageNet10 数据集专为深度学习管道中的 CI 测试、健全性检查和快速评估而设计。其小规模允许快速迭代和测试，非常适合速度至关重要的持续集成过程。通过保持原始 ImageNet 数据集的结构复杂性和多样性，ImageNet10 提供了模型基本功能和正确性的可靠指示，而无需处理大型数据集的开销。