Caltech-101-Datensatz#
Der Caltech-101-Datensatz ist ein klassischer Benchmark für die Bildklassifizierung mit 9.144 Bildern aus 101 Objektkategorien sowie einer Hintergrundklasse. Jede Kategorie umfasst etwa 40 bis 800 Bilder von Objekten aus der realen Welt – darunter Tiere, Fahrzeuge, Haushaltsgegenstände und Menschen – und bildet damit einen kompakten, aber anspruchsvollen Benchmark für Modelle zur Objekterkennung.
Erkunde Caltech-101 auf der Ultralytics Platform, um Beispiele in der Vorschau anzuzeigen, Datensatzstatistiken zu prüfen und den Datensatz für das Training zu klonen.
Caltech-101 wird ohne vordefinierte Aufteilung in Trainings- und Validierungsdaten bereitgestellt. Die folgenden Trainingsbefehle teilen den Datensatz automatisch im Verhältnis 80 % Training zu 20 % Validierung auf, sodass keine manuelle Vorbereitung erforderlich ist.
Wichtige Funktionen#
- Caltech-101 enthält 9.144 Farbbilder aus 101 Objektkategorien sowie einer
BACKGROUND_Google-Klasse (insgesamt 102 Klassenordner). - Die Kategorien umfassen eine große Vielfalt an Objekten aus der realen Welt, darunter Tiere, Fahrzeuge, Haushaltsgegenstände und Menschen.
- Jede Kategorie umfasst etwa 40 bis 800 Bilder, daher sind die Klassengrößen unausgewogen.
- Die Bilder haben unterschiedliche Größen, die meisten ungefähr 300 x 200 Pixel (mittlere Auflösung).
- Caltech-101 wird häufig zum Benchmarking von Algorithmen zur Bildklassifizierung und Objekterkennung verwendet.
Datensatzstruktur#
Caltech-101 wird als 102 Ordner bereitgestellt – einer pro Klasse, mit 101 Objektkategorien sowie einer BACKGROUND_Google-Klasse – und ohne vordefinierte Aufteilung in Trainings- und Validierungsdaten. Beim Start des Trainings partitioniert Ultralytics die Bilder automatisch, sodass Modelle ohne manuelle Einrichtung über alle 102 Klassen hinweg trainieren:
- Klassen: 102 (101 Objektkategorien + 1 Hintergrundklasse)
- Bilder insgesamt: 9.144
- Aufteilung in Training und Validierung: automatisch 80 % / 20 % (≈7.280 Training, ≈1.864 Validierung)
- Bilder pro Klasse: etwa 40 bis 800 (unausgewogen)
Anwendungen#
Caltech-101 wird häufig zum Trainieren und Bewerten von Modellen für Bildklassifizierung und Objekterkennung verwendet, darunter Faltungsneuronale Netze (CNNs) und Support-Vektor-Maschinen (SVMs). Die breite Abdeckung von Kategorien und die sauber annotierten Bilder machen den Datensatz zu einem beliebten Benchmark für die Forschung und Prototypentwicklung in den Bereichen maschinelles Lernen und Computer Vision.
Verwendung#
Trainiere ein YOLO-Modell 100 Epochen lang auf Caltech-101 mit einer Bildgröße von 416. Eine vollständige Liste der verfügbaren Argumente findest du auf der Seite Training und im Leitfaden zur Aufgabe Bildklassifizierung.
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#
Der Caltech-101-Datensatz enthält hochwertige Farbbilder verschiedener Objekte und bietet damit einen gut strukturierten Datensatz für Aufgaben der Bildklassifizierung. Hier sind einige Beispiele für Bilder aus dem Datensatz:
Die Beispiele zeigen die Vielfalt der Kategorien und die natürliche, zentrierte Bildkomposition, die für Caltech-101 typisch ist. Dadurch eignet sich der Datensatz als sauberer Ausgangspunkt für das Training robuster Modelle zur Objekterkennung.
Zitate und Danksagungen#
Wenn du den Caltech-101-Datensatz in deiner Forschungs- oder Entwicklungsarbeit verwendest, zitiere bitte die folgende Publikation:
@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 als wertvolle Ressource für die Forschungscommunity im Bereich maschinelles Lernen und Computer Vision erstellt und gepflegt haben. Weitere Informationen zum Caltech-101-Datensatz und seinen Erstellern findest du auf der Website des Caltech-101-Datensatzes.
FAQ#
Der Caltech-101-Datensatz wird häufig zum Trainieren und Benchmarking von Modellen für Bildklassifizierung und Objekterkennung verwendet. Er enthält 9.144 Bilder aus 101 Objektkategorien sowie einer Hintergrundklasse und bietet damit einen anspruchsvollen Benchmark zur Bewertung von Algorithmen wie Faltungsneuronalen Netzen (CNNs) und Support-Vektor-Maschinen (SVMs).
Um ein Ultralytics-YOLO-Modell auf Caltech-101 zu trainieren, verwende die folgenden Codeausschnitte. Der Datensatz wird bei der ersten Verwendung automatisch heruntergeladen. Eine vollständige Liste der Argumente findest du auf der Seite Training für Modelle.
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 sowie eine
BACKGROUND_Google-Klasse, also insgesamt 102 Klassenordner und 9.144 Bilder. Beim Training mit Ultralytics lernt das Modell alle 102 Klassen. Die Kategorien sind unterschiedlich groß und umfassen jeweils etwa 40 bis 800 Bilder.Caltech-101 hat keine vordefinierte Aufteilung. Beim ersten Training teilt Ultralytics den Datensatz automatisch im Verhältnis 80 % Training zu 20 % Validierung auf – etwa 7.280 Trainings- und 1.864 Validierungsbilder –, sodass du die Aufteilung nicht manuell erstellen musst. Wenn du die Aufteilung selbst festlegen möchtest, ordne die Bilder vor dem Training in die Ordner
train/undval/ein.Ja. Mit der Ultralytics Platform kannst du Datensätze verwalten, Modelle für die Bildklassifizierung trainieren und sie ohne umfangreiche Programmierkenntnisse bereitstellen. Sie bietet eine komfortable Möglichkeit, Caltech-101-Experimente in der Cloud durchzuführen. Weitere Optionen findest du in unserer Übersicht zu Klassifizierungsdatensätzen.