Zum Inhalt springen

Caltech-256-Datensatz

Der Caltech-256-Datensatz ist eine umfangreiche Sammlung von Bildern, die fĂŒr Objektklassifizierungsaufgaben verwendet werden. Sie enthĂ€lt rund 30.000 Bilder, die in 257 Kategorien unterteilt sind (256 Objektkategorien und 1 Hintergrundkategorie). Die Bilder wurden sorgfĂ€ltig kuratiert und kommentiert, um einen anspruchsvollen und vielfĂ€ltigen Maßstab fĂŒr Objekterkennungsalgorithmen zu bieten.

Hauptmerkmale

  • Der Caltech-256-Datensatz umfasst rund 30.000 Farbbilder, die in 257 Kategorien unterteilt sind.
  • Jede Kategorie enthĂ€lt mindestens 80 Bilder.
  • Die Kategorien umfassen eine Vielzahl von GegenstĂ€nden aus der realen Welt, darunter Tiere, Fahrzeuge, HaushaltsgegenstĂ€nde und Menschen.
  • Die Bilder sind von unterschiedlicher GrĂ¶ĂŸe und Auflösung.
  • Caltech-256 wird hĂ€ufig zum Trainieren und Testen im Bereich des maschinellen Lernens verwendet, insbesondere fĂŒr Aufgaben der Objekterkennung.

Struktur des Datensatzes

Wie bei Caltech-101 gibt es auch beim Caltech-256-Datensatz keine formale Aufteilung zwischen Trainings- und TestsĂ€tzen. In der Regel erstellen die Nutzerinnen und Nutzer ihre eigene Aufteilung nach ihren eigenen BedĂŒrfnissen. Eine gĂ€ngige Praxis ist es, eine zufĂ€llige Teilmenge von Bildern fĂŒr das Training und die restlichen Bilder fĂŒr die Tests zu verwenden.

Anwendungen

Der Caltech-256-Datensatz wird hĂ€ufig zum Trainieren und Evaluieren von Deep-Learning-Modellen fĂŒr die Objekterkennung verwendet, z. B. fĂŒr Convolutional Neural Networks (CNNs), Support Vector Machines (SVMs) und verschiedene andere Algorithmen fĂŒr maschinelles Lernen. Seine vielfĂ€ltigen Kategorien und hochwertigen Bilder machen ihn zu einem unschĂ€tzbaren Datensatz fĂŒr die Forschung und Entwicklung im Bereich des maschinellen Lernens und der Computer Vision.

Verwendung

Um ein YOLO Modell auf dem Caltech-256-Datensatz fĂŒr 100 Epochen zu trainieren, kannst du die folgenden Codeschnipsel verwenden. Eine umfassende Liste der verfĂŒgbaren Argumente findest du auf der Seite Modelltraining.

Beispiel fĂŒr einen Zug

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n-cls.pt")  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data="caltech256", epochs=100, imgsz=416)
# Start training from a pretrained *.pt model
yolo detect train data=caltech256 model=yolov8n-cls.pt epochs=100 imgsz=416

Beispielbilder und Anmerkungen

Der Caltech-256-Datensatz enthĂ€lt qualitativ hochwertige Farbbilder von verschiedenen Objekten und bietet damit einen umfassenden Datensatz fĂŒr Objekterkennungsaufgaben. Hier sind einige Beispiele fĂŒr Bilder aus dem Datensatz(Credit):

Datensatz Beispielbild

Das Beispiel zeigt die Vielfalt und KomplexitĂ€t der Objekte im Caltech-256-Datensatz und verdeutlicht, wie wichtig ein vielfĂ€ltiger Datensatz fĂŒr das Training robuster Objekterkennungsmodelle ist.

Zitate und Danksagungen

Wenn du den Caltech-256-Datensatz in deiner Forschungs- oder Entwicklungsarbeit verwendest, zitiere bitte das folgende Dokument:

@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 dafĂŒr danken, dass sie den Caltech-256-Datensatz als wertvolle Ressource fĂŒr die Forschungsgemeinschaft im Bereich des maschinellen Lernens und der Computer Vision erstellt und gepflegt haben. FĂŒr weitere Informationen ĂŒber den

Caltech-256-Datensatz und seine Ersteller findest du auf der Website des Caltech-256-Datensatzes.



Created 2023-11-12, Updated 2024-06-02
Authors: glenn-jocher (5)

Kommentare