Conjunto de datos Caltech-101#
El conjunto de datos Caltech-101 es una referencia clásica de clasificación de imágenes de 9.144 imágenes que abarca 101 categorías de objetos más una clase de fondo. Cada categoría contiene entre 40 y 800 imágenes de objetos del mundo real —animales, vehículos, artículos del hogar y personas—, lo que lo convierte en un punto de referencia compacto pero desafiante para los modelos de reconocimiento de objetos.
Explora Caltech-101 en Ultralytics Platform para previsualizar muestras, inspeccionar las estadísticas del conjunto de datos y clonarlo para el entrenamiento.
Caltech-101 se distribuye sin una división predefinida de entrenamiento/validación. Los comandos de entrenamiento a continuación lo dividen automáticamente en un 80% para entrenamiento y un 20% para validación, por lo que no se requiere preparación manual.
Características clave#
- Caltech-101 contiene 9.144 imágenes en color en 101 categorías de objetos más una clase
BACKGROUND_Google(102 carpetas de clases en total). - Las categorías abarcan una gran variedad de objetos del mundo real, incluyendo animales, vehículos, artículos domésticos y personas.
- Cada categoría contiene entre 40 y 800 imágenes, por lo que el tamaño de las clases está desequilibrado.
- Las imágenes tienen tamaños variables, la mayoría de aproximadamente 300x200 píxeles (resolución media).
- Caltech-101 se utiliza ampliamente para evaluar algoritmos de clasificación de imágenes y reconocimiento de objetos.
Estructura del dataset#
Caltech-101 se distribuye en 102 carpetas —una por clase, abarcando 101 categorías de objetos más una clase BACKGROUND_Google— sin una división predefinida de entrenamiento y validación. Cuando inicias el entrenamiento, Ultralytics divide automáticamente las imágenes para que los modelos se entrenen en las 102 clases sin necesidad de configuración manual:
- Clases: 102 (101 categorías de objetos + 1 de fondo)
- Imágenes totales: 9.144
- División entrenamiento/validación: automática 80% / 20% (≈7.280 para entrenamiento, ≈1.864 para validación)
- Imágenes por clase: entre 40 y 800 (desequilibrado)
Aplicaciones#
Caltech-101 se utiliza ampliamente para entrenar y evaluar modelos de clasificación de imágenes y reconocimiento de objetos, incluidas las Redes Neuronales Convolucionales (CNN) y las Máquinas de Vectores de Soporte (SVM). Su amplia cobertura de categorías y sus imágenes limpias y etiquetadas lo convierten en un punto de referencia popular para la investigación y la creación de prototipos de aprendizaje automático y visión artificial.
Uso#
Entrena un modelo YOLO en Caltech-101 durante 100 épocas con un tamaño de imagen de 416. Para ver la lista completa de argumentos disponibles, consulta la página de Entrenamiento y la guía de tareas de clasificación de imágenes.
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)Muestras de imágenes y anotaciones#
El conjunto de datos Caltech-101 contiene imágenes en color de alta calidad de varios objetos, lo que proporciona un conjunto de datos bien estructurado para tareas de clasificación de imágenes. Aquí tienes algunos ejemplos de imágenes del conjunto de datos:
Las muestras muestran la variedad de categorías y el encuadre natural y centrado típico de Caltech-101, lo que lo convierte en un punto de partida limpio para entrenar modelos robustos de reconocimiento de objetos.
Citas y agradecimientos#
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 de investigación de aprendizaje automático y visión artificial. Para obtener más información sobre el conjunto de datos Caltech-101 y sus creadores, visita el sitio web del conjunto de datos Caltech-101.
FAQ#
El conjunto de datos Caltech-101 se utiliza ampliamente para entrenar y evaluar modelos de clasificación de imágenes y reconocimiento de objetos. Contiene 9.144 imágenes distribuidas en 101 categorías de objetos más una clase de fondo, lo que proporciona una referencia exigente para evaluar algoritmos como Redes Neuronales Convolucionales (CNN) y Máquinas de Vectores de Soporte (SVM).
Para entrenar un modelo Ultralytics YOLO en Caltech-101, utiliza los siguientes fragmentos de código. El conjunto de datos se descarga automáticamente en el primer uso. Para ver una lista completa de argumentos, consulta la página de Entrenamiento del modelo.
Ejemplo de entrenamientofrom 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 contiene 101 categorías de objetos más una clase
BACKGROUND_Google, para un total de 102 carpetas de clases y 9.144 imágenes. Cuando entrenas con Ultralytics, el modelo aprende las 102 clases. Los tamaños de las categorías están desequilibrados y varían desde aproximadamente 40 hasta 800 imágenes cada una.Caltech-101 no tiene una división predefinida. La primera vez que entrenas, Ultralytics lo divide automáticamente en un 80% para entrenamiento y un 20% para validación (aproximadamente 7.280 imágenes de entrenamiento y 1.864 de validación), por lo que no necesitas crear divisiones manualmente. Para controlar la división tú mismo, organiza las imágenes en las carpetas
train/yval/antes de entrenar.Sí. Ultralytics Platform te permite gestionar conjuntos de datos, entrenar modelos de clasificación de imágenes y desplegarlos sin necesidad de programar en exceso. Es una forma cómoda de ejecutar experimentos con Caltech-101 en la nube, y puedes explorar más opciones en nuestra descripción general de los conjuntos de datos de clasificación.