Caltech-256-Datensatz#
Der Datensatz Caltech-256 ist ein klassischer Benchmark für die Bildklassifizierung mit 30.607 Bildern aus 256 Objektkategorien sowie einer Hintergrundklasse. Jede Kategorie umfasst mindestens 80 Bilder realer Objekte – Tiere, Fahrzeuge, Haushaltsgegenstände und Menschen. Damit ist Caltech-256 ein umfangreicherer und anspruchsvollerer Nachfolger von Caltech-101 für Objekterkennungsmodelle.
Sieh dir Caltech-256 auf der Ultralytics Platform an, um Beispiele in der Vorschau zu sehen, Datensatzstatistiken zu prüfen und den Datensatz zum Training zu kopieren.
Ansehen: So trainierst du ein Modell zur Bildklassifizierung mit dem Caltech-256-Datensatz und Ultralytics YOLO26
Caltech-256 wird ohne vordefinierte Aufteilung in Trainings- und Validierungsdaten bereitgestellt. Die Trainingsbefehle unten teilen den Datensatz automatisch im Verhältnis 80 % Training zu 20 % Validierung auf, sodass keine manuelle Vorbereitung nötig ist.
Wichtige Funktionen#
- Caltech-256 umfasst 30.607 Farbbilder aus 256 Objektkategorien sowie einer
257.clutter-Hintergrundklasse (insgesamt 257 Klassenordner). - Die Kategorien decken eine große Vielfalt realer Objekte ab, darunter Tiere, Fahrzeuge, Haushaltsgegenstände und Menschen.
- Jede Kategorie umfasst mindestens 80 Bilder, die größte etwa 800. Die Anzahl der Bilder pro Klasse ist also unausgewogen.
- Die Bilder haben unterschiedliche Größen und Auflösungen.
- Caltech-256 wird häufig als Benchmark für Algorithmen zur Bildklassifizierung und Objekterkennung verwendet.
Datensatzstruktur#
Caltech-256 wird in 257 Ordnern bereitgestellt – einem pro Klasse, für 256 Objektkategorien sowie eine 257.clutter-Hintergrundklasse. Eine vordefinierte Aufteilung in Trainings- und Validierungsdaten gibt es nicht. Beim Start des Trainings teilt Ultralytics die Bilder automatisch auf, sodass Modelle ohne manuelle Einrichtung mit allen 257 Klassen trainiert werden:
- Klassen: 257 (256 Objektkategorien + 1 Hintergrundklasse)
- Bilder insgesamt: 30.607
- Aufteilung in Training und Validierung: automatisch 80 % / 20 % (≈24.385 für das Training, ≈6.222 für die Validierung)
- Bilder pro Klasse: mindestens 80 (unausgewogen, bis etwa 800)
Anwendungsfälle#
Der Caltech-256-Datensatz wird häufig zum Trainieren und Bewerten von Modellen zur Bildklassifizierung und Objekterkennung verwendet, darunter faltende neuronale Netze (CNNs) und Support Vector Machines (SVMs). Die große Anzahl an Kategorien und die hochwertigen Bilder machen den Datensatz zu einem beliebten Benchmark für die Forschung und das Prototyping im Bereich maschinelles Lernen und Computer Vision.
Verwendung#
Trainiere ein YOLO-Modell 100 Epochen lang mit Caltech-256 und einer Bildgröße von 416. Die vollständige Liste der verfügbaren Argumente findest du auf der Seite Training und in der Anleitung zur Aufgabe Bildklassifizierung.
from ultralytics import YOLO
# Ein Modell laden
model = YOLO("yolo26n-cls.pt") # ein vortrainiertes Modell laden (für das Training empfohlen)
# Das Modell trainieren
results = model.train(data="caltech256", epochs=100, imgsz=416)Beispielbilder und Annotationen#
Der Caltech-256-Datensatz enthält hochwertige Farbbilder verschiedener Objekte und bietet damit eine gut strukturierte Datengrundlage für Aufgaben der Bildklassifizierung. Hier sind einige Beispielbilder aus dem Datensatz (Quelle):
Die Beispiele zeigen die Vielfalt und Komplexität der Objekte im Caltech-256-Datensatz und verdeutlichen, wie wertvoll ein vielfältiger Datensatz für das Training robuster Objekterkennungsmodelle ist.
Zitate und Danksagungen#
Wenn du den Caltech-256-Datensatz in deiner Forschung oder Entwicklungsarbeit verwendest, zitiere bitte die folgende Arbeit:
@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 den Caltech-256-Datensatz erstellt und gepflegt haben und ihn so der Forschungsgemeinschaft für maschinelles Lernen und Computer Vision als wertvolle Ressource zur Verfügung stellen. Weitere Informationen zum Caltech-256-Datensatz und seinen Urhebern findest du auf der Caltech-256-Datensatzwebsite.
Häufig gestellte Fragen#
Der Datensatz Caltech-256 wird häufig zum Trainieren und Bewerten von Modellen zur Bildklassifizierung und Objekterkennung verwendet. Er umfasst 30.607 Bilder aus 256 Objektkategorien sowie eine Hintergrundklasse und bietet damit einen umfangreicheren und anspruchsvolleren Benchmark als Caltech-101 für Algorithmen wie faltende neuronale Netze (CNNs) und Support Vector Machines (SVMs).
Verwende die nachstehenden Codebeispiele, um ein Ultralytics-YOLO-Modell mit Caltech-256 zu trainieren. Beim ersten Gebrauch wird der Datensatz automatisch heruntergeladen. Die vollständige Liste der Argumente findest du auf der Seite Training des Modells.
Trainingsbeispielfrom ultralytics import YOLO # Ein Modell laden model = YOLO("yolo26n-cls.pt") # ein vortrainiertes Modell laden (für das Training empfohlen) # Das Modell trainieren results = model.train(data="caltech256", epochs=100, imgsz=416)Caltech-256 umfasst 256 Objektkategorien sowie eine
257.clutter-Hintergrundklasse, also insgesamt 257 Klassenordner und 30.607 Bilder. Beim Training mit Ultralytics lernt das Modell alle 257 Klassen. Jede Kategorie umfasst mindestens 80 Bilder. Die Anzahl der Bilder pro Klasse ist jedoch unausgewogen; die größte Kategorie enthält bis zu etwa 800 Bilder.Caltech-256 hat keine vordefinierte Aufteilung. Beim ersten Training teilt Ultralytics den Datensatz automatisch im Verhältnis 80 % Training zu 20 % Validierung auf – etwa 24.385 Trainings- und 6.222 Validierungsbilder. Du musst die Aufteilung also nicht manuell erstellen. Wenn du die Aufteilung selbst festlegen möchtest, sortiere die Bilder vor dem Training in die Ordner
train/undval/.Ja. Mit der Ultralytics Platform kannst du Datensätze verwalten, Modelle zur Bildklassifizierung trainieren und bereitstellen, ohne viel programmieren zu müssen. Sie ist eine praktische Möglichkeit, Caltech-256-Experimente in der Cloud auszuführen. Weitere Möglichkeiten findest du in unserer Übersicht über Klassifizierungsdatensätze.