Dataset Caltech-101#
El dataset Caltech-101 es un benchmark clásico de clasificación de imágenes compuesto por 9.144 imágenes que abarcan 101 categorías de objetos y una clase de fondo. Cada categoría contiene entre 40 y 800 imágenes de objetos del mundo real —animales, vehículos, artículos domésticos y personas—, lo que lo convierte en un benchmark compacto pero exigente para modelos de reconocimiento de objetos.
Explora Caltech-101 en Ultralytics Platform para previsualizar muestras, consultar las estadísticas del dataset y clonarlo para entrenar.
Caltech-101 se distribuye sin una división predefinida entre entrenamiento y validación. Los comandos de entrenamiento que aparecen a continuación lo dividen automáticamente en un 80 % para entrenamiento y un 20 % para validación, por lo que no es necesario prepararlo manualmente.
Características principales#
- Caltech-101 contiene 9.144 imágenes en color distribuidas en 101 categorías de objetos y una clase
BACKGROUND_Google(102 carpetas de clases en total). - Las categorías abarcan una gran variedad de objetos del mundo real, incluidos animales, vehículos, artículos domésticos y personas.
- Cada categoría contiene entre 40 y 800 imágenes aproximadamente, por lo que el tamaño de las clases está desequilibrado.
- Las imágenes tienen tamaños variables; la mayoría mide 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, que cubren 101 categorías de objetos y una clase BACKGROUND_Google—, sin una división predefinida entre entrenamiento y validación. Cuando inicias el entrenamiento, Ultralytics particiona automáticamente las imágenes para que los modelos entrenen con las 102 clases sin ninguna configuración manual:
- Clases: 102 (101 categorías de objetos + 1 de fondo)
- Imágenes totales: 9.144
- División entre entrenamiento y validación: automática, 80 % / 20 % (≈7.280 para entrenamiento, ≈1.864 para validación)
- Imágenes por clase: entre 40 y 800 aproximadamente (desequilibradas)
Aplicaciones#
Caltech-101 se utiliza ampliamente para entrenar y evaluar modelos de clasificación de imágenes y reconocimiento de objetos, incluidas las redes neuronales convolucionales (CNNs) y las máquinas de vectores soporte (SVMs). Su amplia cobertura de categorías y sus imágenes limpias y etiquetadas lo convierten en un benchmark popular para la investigación y la creación de prototipos en aprendizaje automático y visión artificial.
Uso#
Entrena un modelo YOLO con Caltech-101 durante 100 épocas y con un tamaño de imagen de 416. Para consultar la lista completa de argumentos disponibles, visita la página de Entrenamiento y la guía de la tarea 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)Imágenes de ejemplo y anotaciones#
El dataset Caltech-101 contiene imágenes en color de alta calidad de diversos objetos, lo que proporciona un dataset bien estructurado para tareas de clasificación de imágenes. Estos son algunos ejemplos de imágenes del dataset:
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 dataset Caltech-101 en tu trabajo de investigación o desarrollo, 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 reconocer la labor de Li Fei-Fei, Rob Fergus y Pietro Perona por crear y mantener el dataset Caltech-101 como un recurso valioso para la comunidad investigadora de aprendizaje automático y visión artificial. Para obtener más información sobre el dataset Caltech-101 y sus creadores, visita el sitio web del dataset Caltech-101.
Preguntas frecuentes#
El dataset 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 y una clase de fondo, lo que proporciona un benchmark exigente para evaluar algoritmos como las redes neuronales convolucionales (CNNs) y las máquinas de vectores soporte (SVMs).
Para entrenar un modelo YOLO de Ultralytics con Caltech-101, utiliza los fragmentos de código que aparecen a continuación. El dataset se descarga automáticamente la primera vez que se utiliza. Para consultar la lista completa de argumentos, visita 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 y una clase
BACKGROUND_Google, lo que suma 102 carpetas de clases y 9.144 imágenes en total. Cuando entrenas con Ultralytics, el modelo aprende las 102 clases. El tamaño de las categorías está desequilibrado, con entre 40 y 800 imágenes aproximadamente en 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 las divisiones manualmente. Para controlar tú mismo la división, organiza las imágenes en las carpetas
train/yval/antes de entrenar.Sí. Ultralytics Platform te permite gestionar datasets, entrenar modelos de clasificación de imágenes y desplegarlos sin necesidad de escribir mucho código. Es una forma práctica de ejecutar experimentos con Caltech-101 en la nube, y puedes consultar más opciones en nuestra guía general de datasets de clasificación.