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، إذ تضم 9,144 صورة تغطي 101 فئة من الكائنات، بالإضافة إلى فئة واحدة للخلفية. وتحتوي كل فئة على نحو 40 إلى 800 صورة لكائنات من العالم الحقيقي — مثل الحيوانات والمركبات والأدوات المنزلية والأشخاص — مما يجعلها معيارًا صغيرًا لكنه صعب لنماذج التعرّف على الكائنات.

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

الميزات الرئيسية#

• تحتوي Caltech-101 على 9,144 صورة ملونة موزعة على 101 فئة من الكائنات، بالإضافة إلى فئة واحدة هي BACKGROUND_Google (بإجمالي 102 مجلدًا للفئات).
• تغطي الفئات مجموعة واسعة من الكائنات من العالم الحقيقي، بما في ذلك الحيوانات والمركبات والأدوات المنزلية والأشخاص.
• تحتوي كل فئة على نحو 40 إلى 800 صورة، ولذلك فإن أحجام الفئات غير متوازنة.
• تختلف أحجام الصور، ويبلغ حجم معظمها نحو 300x200 بكسل (دقة متوسطة).
• تُستخدم Caltech-101 على نطاق واسع لتقييم خوارزميات تصنيف الصور والتعرّف على الكائنات.

بنية مجموعة البيانات#

تُوزَّع Caltech-101 في 102 مجلدًا — مجلد واحد لكل فئة، يغطي 101 فئة من الكائنات بالإضافة إلى فئة BACKGROUND_Google — من دون تقسيم محدد مسبقًا إلى التدريب والتحقق. عند بدء التدريب، تقسم Ultralytics الصور تلقائيًا بحيث تتدرب النماذج على جميع الفئات البالغ عددها 102 من دون أي إعداد يدوي:

• الفئات: 102 (101 فئة من الكائنات + 1 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#

تُستخدم Caltech-101 على نطاق واسع لتدريب نماذج تصنيف الصور والتعرّف على الكائنات وتقييمها، بما في ذلك الشبكات العصبية الالتفافية (CNNs) وآلات المتجهات الداعمة (SVMs). ويجعل اتساع تغطية الفئات والصور النظيفة والموسومة منها معيارًا شائعًا لأبحاث التعلّم الآلي والرؤية الحاسوبية وإنشاء النماذج الأولية.

الاستخدام#

درّب نموذج YOLO على Caltech-101 لمدة 100 حقبة وبحجم صورة يبلغ 416. للحصول على القائمة الكاملة للوسائط المتاحة، راجع صفحة التدريب ودليل مهمة تصنيف الصور.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n-cls.pt")  # load a pretrained model (recommended for training)

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

الصور والتعليقات التوضيحية النموذجية#

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

تُظهر العينات تنوع الفئات والإطار الطبيعي المتمركز المعتاد في Caltech-101، مما يجعلها نقطة بداية نظيفة لتدريب نماذج قوية للتعرّف على الكائنات.

الاقتباسات والشكر والتقدير#

إذا استخدمت مجموعة بيانات Caltech-101 في أبحاثك أو أعمال التطوير، فالرجاء الاستشهاد بالورقة 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 أن نعرب عن تقديرنا لـ Li Fei-Fei وRob Fergus وPietro Perona لإنشائهم مجموعة بيانات Caltech-101 وصيانتها باعتبارها موردًا قيّمًا لمجتمع أبحاث التعلّم الآلي والرؤية الحاسوبية. لمزيد من المعلومات حول مجموعة بيانات Caltech-101 ومنشئيها، تفضل بزيارة موقع مجموعة بيانات Caltech-101.

الأسئلة الشائعة#