Caltech-256 Datensatz#
Das Caltech-256 Dataset ist ein klassischer image classification-Benchmark mit 30.607 Bildern, die sich über 256 Objektkategorien und eine Hintergrundklasse erstrecken. Jede Kategorie enthält mindestens 80 Bilder von Objekten aus der Praxis – Tiere, Fahrzeuge, Haushaltsgegenstände und Menschen –, was es zu einem größeren und anspruchsvolleren Nachfolger von Caltech-101 für Objekterkennungsmodelle macht.
Erkunde Caltech-256 on Ultralytics Platform, um Beispiele in der Vorschau anzuzeigen, Datensatzstatistiken zu inspizieren und ihn für das Training zu klonen.
Caltech-256 wird ohne vordefinierte Aufteilung in Training/Validierung geliefert. Die unten aufgeführten Trainingsbefehle führen automatisch eine Aufteilung von 80% Training / 20% Validierung durch, sodass keine manuelle Vorbereitung erforderlich ist.
Hauptfunktionen#
- Caltech-256 enthält 30.607 Farbbilder in 256 Objektkategorien sowie eine
257.clutter-Hintergrundklasse (insgesamt 257 Klassenordner). - Die Kategorien umfassen eine Vielzahl von Objekten aus der realen Welt, darunter Tiere, Fahrzeuge, Haushaltsgegenstände und Menschen.
- Jede Kategorie enthält mindestens 80 Bilder, wobei die größte bis zu etwa 800 Bilder umfasst, weshalb die Klassengrößen unausgewogen sind.
- Die Bilder haben unterschiedliche Größen und Auflösungen.
- Caltech-256 wird häufig zum Benchmarking von image classification- und Objekterkennungsalgorithmen verwendet.
Datensatzstruktur#
Caltech-256 wird als 257 Ordner vertrieben – einen pro Klasse, der 256 Objektkategorien und eine 257.clutter-Hintergrundklasse abdeckt – ohne vordefinierte Trainings-/Validierungsaufteilung. Wenn du das Training startest, partitioniert Ultralytics die Bilder automatisch, sodass Modelle ohne manuelle Einrichtung über alle 257 Klassen hinweg trainieren:
- Klassen: 257 (256 Objektkategorien + 1 Hintergrund)
- Gesamtanzahl Bilder: 30.607
- Aufteilung Training/Validierung: automatisch 80% / 20% (≈24.385 Training, ≈6.222 Validierung)
- Bilder pro Klasse: mindestens 80 (unausgewogen, bis zu etwa 800)
Anwendungen#
Das Caltech-256 Dataset wird häufig zum Trainieren und Evaluieren von image classification- und Objekterkennungsmodellen verwendet, einschließlich Convolutional Neural Networks (CNNs) und Support Vector Machines (SVMs). Seine große Anzahl an Kategorien und die hochwertigen Bilder machen es zu einem beliebten Benchmark für die machine learning- und computer vision-Forschung und Prototypenerstellung.
Verwendung#
Trainiere ein YOLO-Modell auf Caltech-256 für 100 epochs bei einer Bildgröße von 416. Die vollständige Liste der verfügbaren Argumente findest du auf der Training-Seite und im image classification-Task-Leitfaden.
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="caltech256", epochs=100, imgsz=416)Beispielbilder und Annotationen#
Das Caltech-256 Dataset enthält hochwertige Farbbilder verschiedener Objekte und bietet ein gut strukturiertes Dataset für image classification-Aufgaben. Hier sind einige Beispiele für Bilder aus dem Dataset (credit):
Die Beispiele zeigen die Vielfalt und Komplexität der Objekte im Caltech-256 Datensatz und unterstreichen den Wert eines abwechslungsreichen Datensatzes für das Training robuster Objekterkennungsmodelle.
Zitate und Danksagungen#
Wenn du den Caltech-256 Datensatz für deine Forschung oder Entwicklungsarbeit verwendest, zitiere bitte das folgende Paper:
@article{griffin2007caltech,
title={Caltech-256 object category dataset},
author={Griffin, Gregory and Holub, Alex and Perona, Pietro},
year={2007}
}Wir möchten Gregory Griffin, Alex Holub und Pietro Perona dafür danken, dass sie das Caltech-256 Dataset als wertvolle Ressource für die machine learning- und Computer-Vision-Forschungsgemeinschaft erstellt und gepflegt haben. Weitere Informationen über das Caltech-256 Dataset und seine Ersteller findest du auf der Caltech-256 dataset website.
FAQ#
Das Caltech-256 Dataset wird häufig zum Trainieren und Benchmarking von image classification- und Objekterkennungsmodellen verwendet. Es enthält 30.607 Bilder in 256 Objektkategorien sowie eine Hintergrundklasse und bietet damit einen größeren und anspruchsvolleren Benchmark als Caltech-101 für Algorithmen wie Convolutional Neural Networks (CNNs) und Support Vector Machines (SVMs).
Um ein Ultralytics YOLO-Modell auf Caltech-256 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="caltech256", epochs=100, imgsz=416)Caltech-256 enthält 256 Objektkategorien plus eine
257.clutter-Hintergrundklasse, insgesamt also 257 Klassenordner und 30.607 Bilder. Wenn du mit Ultralytics trainierst, lernt das Modell alle 257 Klassen. Jede Kategorie enthält mindestens 80 Bilder, aber die Klassengrößen sind unausgewogen, wobei die größte bis zu etwa 800 Bilder umfasst.Caltech-256 hat keine vordefinierte Aufteilung. Beim ersten Training teilt Ultralytics es automatisch im Verhältnis 80 % Training / 20 % Validierung auf – etwa 24.385 Trainings- und 6.222 Validierungsbilder –, sodass du keine Aufteilungen manuell erstellen musst. Um die Aufteilung 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-256-Experimente in der Cloud auszuführen, und du kannst weitere Optionen in unserer classification datasets overview erkunden.