Caltech-101-Datensatz#
Das Caltech-101 Dataset ist ein klassischer image classification-Benchmark mit 9.144 Bildern in 101 Objektkategorien plus einer Hintergrundklasse. Jede Kategorie umfasst etwa 40 bis 800 Bilder von Objekten aus der realen Welt – Tiere, Fahrzeuge, Haushaltsgegenstände und Menschen –, was es zu einem kompakten und dennoch anspruchsvollen Benchmark für Objekterkennungsmodelle macht.
Erkunde Caltech-101 on Ultralytics Platform, um dir Beispiele anzusehen, Datensatzstatistiken zu überprüfen und ihn für das Training zu klonen.
Caltech-101 wird ohne vordefinierte Aufteilung in Training/Validierung ausgeliefert. Die unten aufgeführten Trainingsbefehle führen automatisch eine Aufteilung von 80 % Training / 20 % Validierung durch, sodass keine manuelle Vorbereitung erforderlich ist.
Hauptfunktionen#
- Caltech-101 enthält 9.144 Farbbilder in 101 Objektkategorien plus eine
BACKGROUND_Google-Klasse (insgesamt 102 Klassenordner). - Die Kategorien umfassen eine Vielzahl von Objekten aus der realen Welt, darunter Tiere, Fahrzeuge, Haushaltsgegenstände und Menschen.
- Jede Kategorie enthält etwa 40 bis 800 Bilder, daher sind die Klassengrößen unausgewogen.
- Die Bilder haben unterschiedliche Größen, meist etwa 300x200 Pixel (mittlere Auflösung).
- Caltech-101 wird häufig als Benchmark für image classification- und Objekterkennungsalgorithmen verwendet.
Datensatzstruktur#
Caltech-101 wird als 102 Ordner bereitgestellt – einer pro Klasse, der 101 Objektkategorien sowie eine BACKGROUND_Google-Klasse abdeckt – ohne vordefinierten Trainings-/Validierungs-Split. Wenn du das Training startest, teilt Ultralytics die Bilder automatisch auf, sodass Modelle über alle 102 Klassen hinweg ohne manuelle Einrichtung trainiert werden:
- Klassen: 102 (101 Objektkategorien + 1 Hintergrund)
- Gesamtanzahl Bilder: 9.144
- Training/Validierungs-Aufteilung: automatisch 80 % / 20 % (ca. 7.280 Training, ca. 1.864 Validierung)
- Bilder pro Klasse: etwa 40 bis 800 (unausgewogen)
Anwendungen#
Caltech-101 wird häufig zum Trainieren und Evaluieren von image classification- und Objekterkennungsmodellen verwendet, einschließlich Convolutional Neural Networks (CNNs) und Support Vector Machines (SVMs). Seine breite Kategorieabdeckung und die sauberen, beschrifteten Bilder machen es zu einem beliebten Benchmark für die machine learning- und computer vision-Forschung und Prototypenentwicklung.
Verwendung#
Trainiere ein YOLO-Modell auf Caltech-101 für 100 epochs bei einer Bildgröße von 416. Die vollständige Liste der verfügbaren Argumente findest du auf der Training-Seite und im Leitfaden für die image classification-Aufgabe.
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)Beispielbilder und Annotationen#
Das Caltech-101 Dataset enthält hochwertige Farbbilder verschiedener Objekte und bietet ein gut strukturiertetes Dataset für image classification-Aufgaben. Hier sind einige Beispiele von Bildern aus dem Dataset:
Die Beispiele zeigen die Vielfalt der Kategorien und die natürliche, zentrierte Bildkomposition, die typisch für Caltech-101 ist, was es zu einem sauberen Ausgangspunkt für das Training robuster Objekterkennungsmodelle macht.
Zitate und Danksagungen#
Wenn du den Caltech-101-Datensatz in deiner Forschungs- oder Entwicklungsarbeit verwendest, zitiere bitte das folgende Paper:
@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}
}Wir möchten Li Fei-Fei, Rob Fergus und Pietro Perona dafür danken, dass sie das Caltech-101 Dataset als wertvolle Ressource für die Forschungscommunity im Bereich maschinelles Lernen und Computer Vision erstellt und gepflegt haben. Weitere Informationen über das Caltech-101 Dataset und seine Ersteller findest du auf der Caltech-101 dataset website.
FAQ#
Das Caltech-101 Dataset wird häufig zum Trainieren und als Benchmark für image classification- und Objekterkennungsmodelle verwendet. Es enthält 9.144 Bilder in 101 Objektkategorien plus eine Hintergrundklasse und bietet einen anspruchsvollen Benchmark zur Evaluierung von Algorithmen wie Convolutional Neural Networks (CNNs) und Support Vector Machines (SVMs).
Um ein Ultralytics YOLO-Modell auf Caltech-101 zu trainieren, verwende die Code-Snippets unten. Das Dataset wird bei der ersten Verwendung automatisch heruntergeladen. Eine vollständige Liste der Argumente findest du auf der Modell-Training-Seite.
Trainingsbeispielfrom 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)Caltech-101 enthält 101 Objektkategorien plus eine
BACKGROUND_Google-Klasse, was insgesamt 102 Klassenordner und 9.144 Bilder ergibt. Wenn du mit Ultralytics trainierst, lernt das Modell alle 102 Klassen. Die Kategoriegrößen sind unausgeglichen und reichen von jeweils etwa 40 bis 800 Bildern.Caltech-101 hat keinen vordefinierten Split. Wenn du das erste Mal trainierst, teilt Ultralytics das Dataset automatisch im Verhältnis 80 % Training / 20 % Validierung auf – etwa 7.280 Trainings- und 1.864 Validierungsbilder –, sodass du keine Splits manuell erstellen musst. Um den Split selbst zu steuern, organisiere die Bilder vor dem Training in
train/- undval/-Ordnern.Ja. Mit der Ultralytics Platform kannst du Datasets verwalten, image classification-Modelle trainieren und sie ohne umfangreiche Programmierung bereitstellen. Dies ist eine bequeme Möglichkeit, Caltech-101-Experimente in der Cloud auszuführen, und du kannst weitere Optionen in unserer classification datasets overview erkunden.