Conjunto de datos Caltech-256#
El conjunto de datos Caltech-256 es una prueba de referencia clásica de image classification de 30.607 imágenes que abarcan 256 categorías de objetos más una clase de fondo. Cada categoría contiene al menos 80 imágenes de objetos del mundo real —animales, vehículos, artículos del hogar y personas—, lo que lo convierte en un sucesor más grande y desafiante de Caltech-101 para modelos de reconocimiento de objetos.
Explora Caltech-256 on Ultralytics Platform para previsualizar muestras, inspeccionar las estadísticas del conjunto de datos y clonarlo para el entrenamiento.
Caltech-256 se entrega sin una división predefinida de entrenamiento/validación. Los comandos de entrenamiento a continuación lo dividen automáticamente en 80% entrenamiento / 20% validación, por lo que no se necesita preparación manual.
Características clave#
- Caltech-256 contiene 30.607 imágenes en color en 256 categorías de objetos más una clase de fondo
257.clutter(257 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 al menos 80 imágenes, con la más grande conteniendo hasta unas 800, por lo que los tamaños de clase están desequilibrados.
- Las imágenes son de tamaños y resoluciones variables.
- Caltech-256 se utiliza ampliamente para evaluar algoritmos de image classification y reconocimiento de objetos.
Estructura del dataset#
Caltech-256 se distribuye en 257 carpetas —una por clase, que cubren 256 categorías de objetos más una clase de fondo 257.clutter— sin una división predefinida de entrenamiento/validación. Cuando inicias el entrenamiento, Ultralytics divide automáticamente las imágenes para que los modelos entrenen en las 257 clases sin ninguna configuración manual:
- Clases: 257 (256 categorías de objetos + 1 fondo)
- Imágenes totales: 30.607
- División de entrenamiento/validación: automática 80% / 20% (≈24.385 entrenamiento, ≈6.222 validación)
- Imágenes por clase: al menos 80 (desequilibrado, hasta unas 800)
Aplicaciones#
El conjunto de datos Caltech-256 se utiliza ampliamente para entrenar y evaluar modelos de image classification y reconocimiento de objetos, incluidas las Convolutional Neural Networks (CNN) y las Support Vector Machines (SVM). Su gran cantidad de categorías y sus imágenes de alta calidad lo convierten en una referencia popular para la investigación y la creación de prototipos en machine learning y computer vision.
Uso#
Entrena un modelo YOLO en Caltech-256 durante 100 epochs con un tamaño de imagen de 416. Para ver la lista completa de argumentos disponibles, consulta la página de Training y la guía de tareas de image classification.
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="caltech256", epochs=100, imgsz=416)Muestras de imágenes y anotaciones#
El conjunto de datos Caltech-256 contiene imágenes en color de alta calidad de varios 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 (credit):
Las muestras muestran la diversidad y complejidad de los objetos en el conjunto de datos Caltech-256, subrayando el valor de un conjunto de datos variado para entrenar modelos robustos de reconocimiento de objetos.
Citas y agradecimientos#
Si utilizas el conjunto de datos Caltech-256 en tu trabajo de investigación o desarrollo, por favor cita el siguiente artículo:
@article{griffin2007caltech,
title={Caltech-256 object category dataset},
author={Griffin, Gregory and Holub, Alex and Perona, Pietro},
year={2007}
}Queremos agradecer a Gregory Griffin, Alex Holub y Pietro Perona por crear y mantener el conjunto de datos Caltech-256 como un recurso valioso para la comunidad de investigación de machine learning y computer vision. Para obtener más información sobre el conjunto de datos Caltech-256 y sus creadores, visita el Caltech-256 dataset website.
FAQ#
El conjunto de datos Caltech-256 se utiliza ampliamente para entrenar y evaluar modelos de image classification y reconocimiento de objetos. Contiene 30.607 imágenes distribuidas en 256 categorías de objetos más una clase de fondo, lo que proporciona una referencia más grande y desafiante que Caltech-101 para algoritmos como Convolutional Neural Networks (CNN) y Support Vector Machines (SVM).
Para entrenar un modelo Ultralytics YOLO en Caltech-256, utiliza los fragmentos de código siguientes. El conjunto de datos se descarga automáticamente en el primer uso. Para obtener una lista completa de argumentos, consulta la página de Training 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="caltech256", epochs=100, imgsz=416)Caltech-256 contiene 256 categorías de objetos más una clase de fondo
257.clutter, para un total de 257 carpetas de clases y 30.607 imágenes. Cuando entrenas con Ultralytics, el modelo aprende las 257 clases. Cada categoría contiene al menos 80 imágenes, pero los tamaños de las clases están desequilibrados; la más grande tiene hasta unas 800 imágenes.Caltech-256 no tiene ninguna división predefinida. La primera vez que entrenas, Ultralytics lo divide automáticamente en un 80% para entrenamiento y un 20% para validación (aproximadamente 24.385 imágenes de entrenamiento y 6.222 de validación), por lo que no necesitas crear las 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 image classification y desplegarlos sin necesidad de programar en exceso. Es una forma cómoda de ejecutar experimentos con Caltech-256 en la nube, y puedes explorar más opciones en nuestra classification datasets overview.