مجموعة بيانات Caltech-101#

9,144

Caltech-101

ultralytics

publicClassify

Caltech-101 is Li Fei-Fei, Rob Fergus, and Pietro Perona's classic 2004 image-classification benchmark. It spans 101 object categories plus background, with strong variation in object shape and relatively clean image composition for rapid recognition experiments.

102 classes194.3 MBSep 2, 2026

BACKGROUND_GoogleFacesFaces_easyLeopards+98

image-classificationcaltech101object-recognition+1

تُعد مجموعة بيانات Caltech-101 معيارًا كلاسيكيًا لـتصنيف الصور، وتتضمن 9,144 صورة موزعة على 101 فئة من الأغراض، بالإضافة إلى فئة واحدة للخلفية. وتضم كل فئة نحو 40 إلى 800 صورة لأغراض من العالم الحقيقي — مثل الحيوانات والمركبات والأدوات المنزلية والأشخاص — ما يجعلها معيارًا صغيرًا نسبيًا لكنه صعب لنماذج التعرّف على الأغراض.

استكشف Caltech-101 على منصة Ultralytics لمعاينة العينات، وفحص إحصاءات مجموعة البيانات، واستنساخها للتدريب.

الميزات الرئيسية#

• تضم Caltech-101 عدد 9,144 صورة ملونة موزعة على 101 فئة من الأغراض، بالإضافة إلى فئة واحدة BACKGROUND_Google (102 مجلدًا للفئات إجمالًا).
• تشمل الفئات مجموعة واسعة من الأغراض من العالم الحقيقي، بما فيها الحيوانات والمركبات والأدوات المنزلية والأشخاص.
• تضم كل فئة نحو 40 إلى 800 صورة، لذا فإن أحجام الفئات غير متوازنة.
• تختلف أحجام الصور، ويبلغ قياس معظمها نحو 300x200 بكسل (دقة متوسطة).
• تُستخدم Caltech-101 على نطاق واسع لتقييم معايير تصنيف الصور وخوارزميات التعرّف على الأغراض.

بنية مجموعة البيانات#

تُوزّع Caltech-101 ضمن 102 مجلد — مجلد لكل فئة، تشمل 101 فئة من الأغراض بالإضافة إلى فئة BACKGROUND_Google — من دون تقسيم محدد مسبقًا إلى مجموعتي التدريب والتحقق. عند بدء التدريب، تقسّم Ultralytics الصور تلقائيًا كي تتدرب النماذج على الفئات الـ102 جميعها من دون أي إعداد يدوي:

• الفئات: 102 (101 فئة من الأغراض + فئة واحدة للخلفية)
• إجمالي الصور: 9,144
• تقسيم التدريب/التحقق: تلقائي بنسبة 80% / 20% (نحو 7,280 للتدريب، ونحو 1,864 للتحقق)
• الصور لكل فئة: نحو 40 إلى 800 (غير متوازنة)

التطبيقات#

يُستخدم Caltech-101 على نطاق واسع لتدريب نماذج تصنيف الصور والتعرّف على الأجسام وتقييمها، بما في ذلك الشبكات العصبية الالتفافية (CNNs) وآلات المتجهات الداعمة (SVMs). ويجعل تنوع الفئات واتساق الصور الموسومة منه معيارًا شائعًا لأبحاث التعلم الآلي والرؤية الحاسوبية والنماذج الأولية.

الاستخدام#

درّب نموذج YOLO على Caltech-101 لمدة 100 حقبة بحجم صور 416. للاطلاع على القائمة الكاملة للوسائط المتاحة، راجع صفحة التدريب ودليل مهمة تصنيف الصور.

from ultralytics import YOLO

# ⁨تحميل نموذج⁩
model = YOLO("yolo26n-cls.pt")  # ⁨تحميل نموذج مدرّب مسبقًا (موصى به للتدريب)⁩

# ⁨تدريب النموذج⁩
results = model.train(data="caltech101", epochs=100, imgsz=416)

صور وتعليقات توضيحية نموذجية#

تحتوي مجموعة بيانات Caltech-101 على صور ملونة عالية الجودة لأجسام متنوعة، ما يوفر مجموعة بيانات منظمة جيدًا لمهام تصنيف الصور. فيما يلي بعض أمثلة الصور من مجموعة البيانات:

تُظهر العينات تنوع الفئات والتأطير الطبيعي والمتمركز المعتاد في Caltech-101، ما يجعلها نقطة انطلاق واضحة لتدريب نماذج قوية للتعرّف على الأجسام.

الاستشهادات والشكر والتقدير#

إذا استخدمت مجموعة بيانات Caltech-101 في أبحاثك أو أعمال التطوير، فيُرجى الاستشهاد بالورقة البحثية التالية:

@article{fei2007learning,
  title={Learning generative visual models from few training examples: An incremental Bayesian approach tested on 101 object categories},
  author={Fei-Fei, Li and Fergus, Rob and Perona, Pietro},
  journal={Computer vision and Image understanding},
  volume={106},
  number={1},
  pages={59--70},
  year={2007},
  publisher={Elsevier}
}

نود الإشادة بـ Li Fei-Fei وRob Fergus وPietro Perona لإنشائهم مجموعة بيانات Caltech-101 وصيانتها بوصفها موردًا قيّمًا لمجتمع أبحاث التعلم الآلي والرؤية الحاسوبية. لمزيد من المعلومات عن مجموعة بيانات Caltech-101 ومنشئيها، تفضل بزيارة موقع مجموعة بيانات Caltech-101.

الأسئلة الشائعة#