Imagenetteは、ImageNetデータセットの厳選されたサブセットであり、容易に区別できる10のクラスを含んでいます。これは、20,000カテゴリにわたる1,400万以上の画像を含む完全なImageNetデータセットに代わる、より小さく、ダウンロードが速く、トレーニングが迅速な代替手段を提供するために作成されました。Imagenetteは、機械学習および深層学習コミュニティで、プロトタイピング、デバッグ、教育目的のために広く使用されています。
このデータセットは、fast.ai深層学習コミュニティの著名な人物であるJeremy Howardによって2019年に導入されました。これは、ImageNetを扱う際の実践的な課題、例えばその巨大なサイズや多大な計算リソースの必要性に対処するために設計されました。クラス数を10に減らし、総画像数を制限することで、Imagenetteは研究者や実践者が、大規模なデータ処理のオーバーヘッドなしに、モデルアーキテクチャ、ハイパーパラメータ、トレーニング手法を迅速に反復できるようにします。
データセットの構成
Imagenetteは、視覚的に明確に区別できるように意図的に選ばれた10のクラスで構成されており、分類タスクを比較的簡単にします。クラスには、テンチ（魚の一種）、イングリッシュ・スプリンガー・スパニエル、カセットプレーヤー、チェーンソー、教会、フレンチホルン、ゴミ収集車、ガソリンポンプ、ゴルフボール、パラシュートが含まれます。各クラスには約1,000枚の画像が含まれ、合計で約10,000枚の画像になります。画像は元のImageNetデータセットから取得され、160ピクセル（迅速な実験用）と320ピクセル（高忠実度用）の2つの解像度で提供されます。データセットはトレーニング分割と検証分割の両方で利用可能であり、検証セットには画像の10%が含まれています。
目的と使用例
Imagenetteは、人工知能およびニューラルネットワーク研究における新しいアイデアをテストするためのベンチマークとして機能します。その小さなサイズは、ImageNetのようなより大きなデータセットにスケールアップする前に、モデルアーキテクチャやトレーニングパイプラインが正しく機能することを確認するのに理想的です。一般的な使用例には以下が含まれます：
- アルゴリズムのプロトタイピング：研究者は、新しい損失関数、オプティマイザ、正則化手法を迅速にテストできます。
- 教育デモンストレーション：インストラクターは、広範な計算リソースを必要とせずに深層学習の概念を教えるためにImagenetteを使用します。
- ハイパーパラメータ調整：実践者は、学習率スケジュール、バッチ正規化、その他の設定を実験して、最適な構成を見つけることができます。
- デバッグ：データセットの単純さは、データ読み込み、モデル実装、トレーニングループの問題を分離するのに役立ちます。
ImageNetとの関係
Imagenetteは、視覚オブジェクト認識ソフトウェア研究で使用するために設計された大規模な視覚データベースであるImageNetのサブセットです。ImageNetには1,400万以上の手動注釈付き画像が含まれており、その年次コンペティション（ImageNet Large Scale Visual Recognition Challenge、ILSVRC）は、2010年以来、コンピュータビジョンと深層学習の進歩を推進する原動力となっています。Imagenetteは元の画像コンテンツとラベルを保持しますが、規模を縮小し、実験をよりアクセスしやすくします。これは、多大なGPUリソースと時間を必要とする完全なImageNetで実験を実行する前の健全性チェックとしてよく使用されます。
実践的な考慮事項
Imagenetteを使用する際、実践者はその限界を認識する必要があります。このデータセットはImageNetの完全な複雑さを代表するものではないため、Imagenetteで得られた結果は大規模な問題に直接転用できない場合があります。しかし、これは初期テストや、異なるアプローチの相対的なパフォーマンスを比較するための貴重なツールであり続けます。データセットはfast.aiのウェブサイトからダウンロード可能で、PyTorchやTensorFlowなどの一般的な深層学習フレームワークと簡単に統合できます。その小さなサイズは、クラウドベースのノートブックやエッジデバイスなど、ストレージや帯域幅が限られた環境にも適しています。