Imagenette es un subconjunto curado del conjunto de datos ImageNet, que contiene 10 clases fácilmente distinguibles. Fue creado para proporcionar una alternativa más pequeña, más rápida de descargar y más rápida de entrenar al conjunto de datos completo de ImageNet, que contiene más de 14 millones de imágenes en 20,000 categorías. Imagenette se utiliza ampliamente en las comunidades de aprendizaje automático y aprendizaje profundo para la creación de prototipos, la depuración y fines educativos.
El conjunto de datos fue introducido por Jeremy Howard, una figura prominente en la comunidad de aprendizaje profundo de fast.ai, en 2019. Fue diseñado para abordar los desafíos prácticos de trabajar con ImageNet, como su tamaño masivo y la necesidad de recursos computacionales significativos. Al reducir el número de clases a 10 y limitar el número total de imágenes, Imagenette permite a los investigadores y profesionales iterar rápidamente sobre arquitecturas de modelos, hiperparámetros y técnicas de entrenamiento sin la sobrecarga del procesamiento de datos a gran escala.
Composición del conjunto de datos
Imagenette consta de 10 clases que se eligen deliberadamente para ser visualmente distintas, lo que hace que las tareas de clasificación sean relativamente sencillas. Las clases incluyen: tenca (un tipo de pez), springer spaniel inglés, reproductor de casetes, sierra de cadena, iglesia, trompa francesa, camión de basura, surtidor de gasolina, bola de golf y paracaídas. Cada clase contiene aproximadamente 1,000 imágenes, lo que resulta en un total de alrededor de 10,000 imágenes. Las imágenes provienen del conjunto de datos original de ImageNet y se proporcionan en dos resoluciones: 160 píxeles (para experimentos rápidos) y 320 píxeles (para mayor fidelidad). El conjunto de datos está disponible en divisiones de entrenamiento y validación, con el conjunto de validación conteniendo el 10% de las imágenes.
Propósito y casos de uso
Imagenette sirve como punto de referencia para probar nuevas ideas en la investigación de inteligencia artificial y redes neuronales. Su pequeño tamaño lo hace ideal para verificar que una arquitectura de modelo o un pipeline de entrenamiento funcione correctamente antes de escalar a conjuntos de datos más grandes como ImageNet. Los casos de uso comunes incluyen:
- Creación de prototipos de algoritmos: Los investigadores pueden probar rápidamente nuevas funciones de pérdida, optimizadores o técnicas de regularización.
- Demostraciones educativas: Los instructores usan Imagenette para enseñar conceptos de aprendizaje profundo sin requerir recursos computacionales extensos.
- Ajuste de hiperparámetros: Los profesionales pueden experimentar con programas de tasa de aprendizaje, normalización por lotes y otras configuraciones para encontrar las óptimas.
- Depuración: La simplicidad del conjunto de datos ayuda a aislar problemas en la carga de datos, la implementación del modelo o los bucles de entrenamiento.
Relación con ImageNet
Imagenette es un subconjunto de ImageNet, que es una base de datos visual a gran escala diseñada para su uso en la investigación de software de reconocimiento de objetos visuales. ImageNet contiene más de 14 millones de imágenes anotadas manualmente, y su competencia anual (ImageNet Large Scale Visual Recognition Challenge, ILSVRC) ha sido una fuerza impulsora en el avance de visión por computadora y aprendizaje profundo desde 2010. Imagenette conserva el contenido y las etiquetas de las imágenes originales, pero reduce la escala, lo que lo hace más accesible para la experimentación. A menudo se utiliza como una verificación de cordura antes de ejecutar experimentos en ImageNet completo, que requiere recursos sustanciales de GPU y tiempo.
Consideraciones prácticas
Al usar Imagenette, los profesionales deben ser conscientes de sus limitaciones. El conjunto de datos no es representativo de la complejidad total de ImageNet, por lo que los resultados obtenidos en Imagenette pueden no transferirse directamente a problemas a mayor escala. Sin embargo, sigue siendo una herramienta valiosa para pruebas iniciales y para comparar el rendimiento relativo de diferentes enfoques. El conjunto de datos está disponible para descargar desde el sitio web de fast.ai y se puede integrar fácilmente con marcos populares de aprendizaje profundo como PyTorch y TensorFlow. Su pequeño tamaño también lo hace adecuado para su uso en entornos con almacenamiento o ancho de banda limitados, como cuadernos basados en la nube o dispositivos de borde.