Link to this sectionCaltech-101-Datensatz#

Das Caltech-101 Dataset ist ein klassischer Image Classification Benchmark mit 9.144 Bildern in 101 Objektkategorien sowie einer Hintergrundklasse. Jede Kategorie enthält 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.

Link to this sectionHauptfunktionen#

• 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 zum Benchmarking von Image Classification und Objekterkennungsalgorithmen verwendet.

Link to this sectionDatensatzstruktur#

Caltech-101 wird als 102 Ordner verteilt – einer pro Klasse, der 101 Objektkategorien plus eine BACKGROUND_Google-Klasse abdeckt – ohne vordefinierte Training/Validierungs-Aufteilung. Wenn du das Training startest, partitioniert Ultralytics die Bilder automatisch, sodass Modelle über alle 102 Klassen hinweg trainieren, ohne dass eine manuelle Einrichtung erforderlich ist:

• 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)

Link to this sectionAnwendungen#

Caltech-101 wird häufig zum Trainieren und Evaluieren von Image Classification und Objekterkennungsmodellen verwendet, einschließlich Convolutional Neural Networks (CNNs) und Support Vector Machines (SVMs). Die breite Kategorienabdeckung und die sauberen, beschrifteten Bilder machen es zu einem beliebten Benchmark für die Forschung und das Prototyping im Bereich Machine Learning und Computer Vision.

Link to this sectionVerwendung#

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 Seite Training und im Leitfaden für die Aufgabe Image Classification.

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)

Link to this sectionBeispielbilder und Annotationen#

Der Caltech-101-Datensatz enthält hochwertige Farbbilder verschiedener Objekte und bietet einen gut strukturierten Datensatz für Bildklassifizierungs-Aufgaben. Hier sind einige Beispiele für Bilder aus dem Datensatz:

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.

Link to this sectionZitate 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 den Caltech-101-Datensatz erstellt und als wertvolle Ressource für die Machine-Learning- und Computer-Vision-Forschungsgemeinschaft gepflegt haben. Weitere Informationen über den Caltech-101-Datensatz und seine Ersteller findest du auf der Caltech-101-Datensatz-Website.

Link to this sectionFAQ#

Link to this sectionWofür wird der Caltech-101-Datensatz im Machine Learning verwendet?#

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 für die Evaluierung von Algorithmen wie Convolutional Neural Networks (CNNs) und Support Vector Machines (SVMs).

Link to this sectionWie kann ich ein Ultralytics YOLO-Modell auf dem Caltech-101-Datensatz trainieren?#

Um ein Ultralytics YOLO-Modell auf Caltech-101 zu trainieren, verwende die untenstehenden Code-Snippets. Das Dataset wird bei der ersten Verwendung automatisch heruntergeladen. Eine vollständige Liste der Argumente findest du auf der Seite zum Modell-Training.

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)

Link to this sectionWie viele Klassen hat das Caltech-101 Dataset?#

Caltech-101 enthält 101 Objektkategorien plus eine BACKGROUND_Google-Klasse, also insgesamt 102 Klassenordner und 9.144 Bilder. Wenn du mit Ultralytics trainierst, lernt das Modell alle 102 Klassen. Die Kategorien sind in ihrer Größe unausgewogen und reichen von etwa 40 bis 800 Bildern pro Kategorie.

Link to this sectionWie wird das Caltech-101 Dataset in Trainings- und Validierungssets aufgeteilt?#

Caltech-101 hat keine vordefinierte Aufteilung. Wenn du das erste Mal trainierst, unterteilt Ultralytics es automatisch in 80 % Training / 20 % Validierung – etwa 7.280 Trainingsbilder und 1.864 Validierungsbilder –, sodass du die Aufteilung nicht manuell vornehmen musst. Um die Aufteilung selbst zu steuern, organisiere die Bilder vor dem Training in train/- und val/-Ordner.

Link to this sectionKann ich die Ultralytics Platform verwenden, um Modelle auf dem Caltech-101-Datensatz zu trainieren?#

Ja. Die Ultralytics Platform ermöglicht es dir, Datensätze zu verwalten, Image Classification-Modelle zu trainieren und sie ohne umfangreiche Programmierung bereitzustellen. Es ist eine bequeme Methode, um Caltech-101-Experimente in der Cloud auszuführen, und du kannst weitere Optionen in unserem Überblick über Klassifizierungsdatensätze erkunden.