Conjunto de datos Caltech-101

El conjunto de datos Caltech-101 es un conjunto de datos muy utilizado para tareas de reconocimiento de objetos, que contiene alrededor de 9.000 imágenes de 101 categorías de objetos. Las categorías se eligieron para reflejar una variedad de objetos del mundo real, y las propias imágenes fueron cuidadosamente seleccionadas y anotadas para proporcionar un punto de referencia exigente para los algoritmos de reconocimiento de objetos.

Características clave

• El conjunto de datos Caltech-101 comprende alrededor de 9.000 imágenes en color divididas en 101 categorías.
• Las categorías abarcan una gran variedad de objetos, incluidos animales, vehículos, artículos domésticos y personas.
• El número de imágenes por categoría varía, con entre 40 y 800 imágenes en cada categoría.
• Las imágenes tienen tamaños variables, y la mayoría son de resolución media.
• Caltech-101 se utiliza ampliamente para el entrenamiento y las pruebas en el campo del machine learning, especialmente para tareas de reconocimiento de objetos.

Estructura del conjunto de datos

A diferencia de muchos otros conjuntos de datos, el conjunto de datos Caltech-101 no está dividido formalmente en conjuntos de entrenamiento y prueba. Los usuarios suelen crear sus propias divisiones según sus necesidades específicas. Sin embargo, una práctica común es utilizar un subconjunto aleatorio de imágenes para el entrenamiento (por ejemplo, 30 imágenes por categoría) y el resto de las imágenes para las pruebas.

Aplicaciones

El conjunto de datos Caltech-101 se utiliza ampliamente para entrenar y evaluar modelos de deep learning en tareas de reconocimiento de objetos, como Redes Neuronales Convolucionales (CNN), Máquinas de Vectores de Soporte (SVM) y otros algoritmos de machine learning. Su gran variedad de categorías y sus imágenes de alta calidad lo convierten en un excelente conjunto de datos para la investigación y el desarrollo en el campo del machine learning y la computer vision.

Uso

Para entrenar un modelo YOLO en el conjunto de datos Caltech-101 durante 100 epochs, puedes utilizar los siguientes fragmentos de código. Para obtener una lista completa de los argumentos disponibles, consulta la página de Training del modelo.

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)

Imágenes y anotaciones de muestra

El conjunto de datos Caltech-101 contiene imágenes en color de alta calidad de diversos objetos, lo que proporciona un conjunto de datos bien estructurado para tareas de image classification. Aquí tienes algunos ejemplos de imágenes del conjunto de datos:

El ejemplo muestra la variedad y complejidad de los objetos en el conjunto de datos Caltech-101, destacando la importancia de contar con un conjunto de datos diverso para entrenar modelos de reconocimiento de objetos robustos.

Citas y reconocimientos

Si utilizas el conjunto de datos Caltech-101 en tu trabajo de investigación o desarrollo, por favor cita el siguiente artículo:

@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}
}

Queremos agradecer a Li Fei-Fei, Rob Fergus y Pietro Perona por crear y mantener el conjunto de datos Caltech-101 como un recurso valioso para la comunidad investigadora de machine learning y computer vision. Para obtener más información sobre el conjunto de datos Caltech-101 y sus creadores, visita el sitio web del conjunto de datos Caltech-101.

Preguntas frecuentes

¿Para qué se utiliza el conjunto de datos Caltech-101 en machine learning?

El conjunto de datos Caltech-101 se utiliza ampliamente en machine learning para tareas de reconocimiento de objetos. Contiene alrededor de 9.000 imágenes en 101 categorías, lo que proporciona un punto de referencia exigente para evaluar los algoritmos de reconocimiento de objetos. Los investigadores lo aprovechan para entrenar y probar modelos, especialmente Redes Neuronales Convolucionales (CNN) y Máquinas de Vectores de Soporte (SVM), en computer vision.

¿Cómo puedo entrenar un modelo YOLO de Ultralytics en el conjunto de datos Caltech-101?

Para entrenar un modelo YOLO de Ultralytics en el conjunto de datos Caltech-101, puedes utilizar los fragmentos de código proporcionados. Por ejemplo, para entrenar durante 100 epochs:

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)

Para obtener argumentos y opciones más detallados, consulta la página de Training del modelo.

¿Cuáles son las características clave del conjunto de datos Caltech-101?

El conjunto de datos Caltech-101 incluye:

• Alrededor de 9.000 imágenes en color en 101 categorías.
• Categorías que abarcan una gama diversa de objetos, incluidos animales, vehículos y artículos domésticos.
• Número variable de imágenes por categoría, normalmente entre 40 y 800.
• Tamaños de imagen variables, siendo la mayoría de resolución media.

Estas características lo convierten en una excelente opción para entrenar y evaluar modelos de reconocimiento de objetos en machine learning y computer vision.

¿Por qué debería citar el conjunto de datos Caltech-101 en mi investigación?

Citar el conjunto de datos Caltech-101 en tu investigación reconoce las contribuciones de los creadores y proporciona una referencia para otras personas que puedan utilizar el conjunto de datos. La cita recomendada es:

@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}
}

Citar ayuda a mantener la integridad del trabajo académico y ayuda a tus compañeros a localizar el recurso original.

¿Puedo utilizar la plataforma Ultralytics para entrenar modelos en el conjunto de datos Caltech-101?

Sí, puedes utilizar la Ultralytics Platform para entrenar modelos en el conjunto de datos Caltech-101. Ultralytics Platform proporciona una plataforma intuitiva para gestionar conjuntos de datos, entrenar modelos y desplegarlos sin necesidad de programar demasiado. Para obtener una guía detallada, consulta la entrada del blog sobre cómo entrenar tus modelos personalizados con Ultralytics Platform.