Conjunto de datos Caltech-101

El método Caltech-101 es un conjunto de datos ampliamente utilizado para tareas de reconocimiento de objetos, que contiene cerca 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 desafiante para los algoritmos de reconocimiento de objetos.

Características principales

• El conjunto de datos Caltech-101 comprende alrededor de 9.000 imágenes en color divididas en 101 categorías.
• Las categorías abarcan una amplia variedad de objetos, incluyendo animales, vehículos, artículos para el hogar y personas.
• El número de imágenes por categoría varía, con entre 40 y 800 imágenes en cada una.
• Las imágenes tienen tamaños variables, siendo la mayoría de resolución media.
• Caltech-101 se utiliza ampliamente para entrenamiento y pruebas en el campo del aprendizaje automático, particularmente 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 las imágenes restantes para las pruebas.

Aplicaciones

El conjunto de datos Caltech-101 se utiliza ampliamente para el entrenamiento y la evaluación de deep learning modelos en tareas de reconocimiento de objetos, como Convolutional Neural Networks (CNNs), Support Vector Machines (SVMs), y otros diversos algoritmos de aprendizaje automático. Su amplia variedad de categorías e imágenes de alta calidad lo convierten en un conjunto de datos excelente para la investigación y el desarrollo en el campo de machine learning y 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 Entrenamiento.

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 muestra y anotaciones

El conjunto de datos Caltech-101 contiene imágenes en color de alta calidad de diversos objetos, proporcionando un conjunto de datos bien estructurado para clasificación de imágenes tareas. 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, enfatizando la importancia de un conjunto de datos diverso para entrenar modelos robustos de reconocimiento de objetos.

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}
}

Nos gustaría 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 en 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.

Preguntas frecuentes

¿Para qué se utiliza el conjunto de datos Caltech-101 en el aprendizaje automático?

El método Caltech-101 el conjunto de datos se utiliza ampliamente en aprendizaje automático para tareas de reconocimiento de objetos. Contiene alrededor de 9.000 imágenes en 101 categorías, lo que proporciona un punto de referencia desafiante para evaluar algoritmos de reconocimiento de objetos. Los investigadores lo aprovechan para entrenar y probar modelos, especialmente Neural Networks (CNNs) y Support Vector Machines (SVMs), en visión artificial.

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

Para entrenar un modelo YOLO de Ultralytics con 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 argumentos y opciones más detallados, consulta la Entrenamiento.

¿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 a través de 101 categorías.
• Categorías que cubren una amplia gama de objetos, incluyendo animales, vehículos y artículos para el hogar.
• Número variable de imágenes por categoría, típicamente 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 aprendizaje automático y visión artificial.

¿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 otros que podrían 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 usar la plataforma Ultralytics para entrenar modelos con el conjunto de datos Caltech-101?

Sí, puedes usar Ultralytics Platform para entrenar modelos con el conjunto de datos Caltech-101. La plataforma Ultralytics ofrece una plataforma intuitiva para gestionar conjuntos de datos, entrenar modelos e implementarlos sin necesidad de una programación extensa. Para obtener una guía detallada, consulta la publicación de blog sobre cómo entrenar tus modelos personalizados con la plataforma Ultralytics.