Conjunto de datos Caltech-256#
El conjunto de datos Caltech-256 es un conjunto de referencia clásico de clasificación de imágenes, con 30.607 imágenes distribuidas en 256 categorías de objetos y 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 amplio y exigente de Caltech-101 para los modelos de reconocimiento de objetos.
Explora Caltech-256 en Ultralytics Platform para previsualizar muestras, consultar las estadísticas del conjunto de datos y clonarlo para entrenar.
Ver: Cómo entrenar un modelo de clasificación de imágenes con el conjunto de datos Caltech-256 mediante Ultralytics YOLO26
Caltech-256 no incluye una división predefinida en entrenamiento y validación. Los comandos de entrenamiento que aparecen a continuación lo dividen automáticamente en un 80 % para entrenamiento y un 20 % para validación, así que no hace falta prepararlo manualmente.
Características principales#
- Caltech-256 contiene 30.607 imágenes en color distribuidas en 256 categorías de objetos y una clase de fondo
257.clutter(257 carpetas de clases en total). - Las categorías abarcan una amplia variedad de objetos del mundo real, como animales, vehículos, artículos del hogar y personas.
- Cada categoría contiene al menos 80 imágenes; la más numerosa tiene hasta unas 800, por lo que el número de imágenes por clase está desequilibrado.
- Las imágenes tienen tamaños y resoluciones variados.
- Caltech-256 se utiliza ampliamente para evaluar algoritmos de clasificación de imágenes y reconocimiento de objetos.
Estructura del conjunto de datos#
Caltech-256 se distribuye en 257 carpetas —una por clase, que abarcan 256 categorías de objetos y una clase de fondo 257.clutter—, sin una división predefinida en entrenamiento y validación. Al iniciar el entrenamiento, Ultralytics divide automáticamente las imágenes para que los modelos entrenen con las 257 clases sin necesidad de configurarlo manualmente:
- Clases: 257 (256 categorías de objetos + 1 de fondo)
- Imágenes en total: 30.607
- División entre entrenamiento y validación: automática, 80 % / 20 % (≈24.385 para entrenamiento, ≈6.222 para validación)
- Imágenes por clase: al menos 80 (desequilibradas, hasta unas 800)
Aplicaciones#
El conjunto de datos Caltech-256 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 de soporte (SVMs). La gran cantidad de categorías y la alta calidad de las imágenes lo convierten en un conjunto de referencia popular para la investigación y la creación de prototipos en aprendizaje automático y visión artificial.
Uso#
Entrena un modelo YOLO con Caltech-256 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
# Cargar un modelo
model = YOLO("yolo26n-cls.pt") # Carga un modelo preentrenado (recomendado para el entrenamiento)
# Entrenar el modelo
results = model.train(data="caltech256", epochs=100, imgsz=416)Imágenes de muestra y anotaciones#
El conjunto de datos Caltech-256 contiene imágenes en color de gran calidad de diversos objetos, lo que proporciona un conjunto de datos bien estructurado para tareas de clasificación de imágenes. Estos son algunos ejemplos de imágenes del conjunto de datos (créditos):
Las muestras muestran la diversidad y la complejidad de los objetos del conjunto de datos Caltech-256, y destacan el valor de contar con 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, cita el siguiente artículo:
@article{griffin2007caltech,
title={Caltech-256 object category dataset},
author={Griffin, Gregory and Holub, Alex and Perona, Pietro},
year={2007}
}Queremos reconocer la labor de Gregory Griffin, Alex Holub y Pietro Perona por crear y mantener el conjunto de datos Caltech-256 como un recurso valioso para la comunidad investigadora de aprendizaje automático y visión artificial. Para obtener más información sobre el conjunto de datos Caltech-256 y sus creadores, visita el sitio web del conjunto de datos Caltech-256.
Preguntas frecuentes#
El conjunto de datos Caltech-256 se utiliza ampliamente para entrenar y evaluar modelos de clasificación de imágenes y reconocimiento de objetos. Contiene 30.607 imágenes de 256 categorías de objetos y una clase de fondo, y ofrece un conjunto de referencia más amplio y exigente que Caltech-101 para algoritmos como las redes neuronales convolucionales (CNNs) y las máquinas de vectores de soporte (SVMs).
Para entrenar un modelo Ultralytics YOLO con Caltech-256, utiliza los fragmentos de código siguientes. El conjunto de datos se descarga automáticamente la primera vez que se utiliza. Para ver la lista completa de argumentos, visita la página de entrenamiento del modelo.
Ejemplo de entrenamientofrom ultralytics import YOLO # Cargar un modelo model = YOLO("yolo26n-cls.pt") # Carga un modelo preentrenado (recomendado para el entrenamiento) # Entrenar el modelo results = model.train(data="caltech256", epochs=100, imgsz=416)Caltech-256 contiene 256 categorías de objetos y una clase de fondo
257.clutter, es decir, 257 carpetas de clases y 30.607 imágenes en total. Al entrenar con Ultralytics, el modelo aprende las 257 clases. Cada categoría contiene al menos 80 imágenes, pero el número de imágenes por clase está desequilibrado; la más numerosa tiene hasta unas 800 imágenes.Caltech-256 no tiene una división predefinida. La primera vez que entrenes, Ultralytics lo divide automáticamente en un 80 % para entrenamiento y un 20 % para validación —unas 24.385 imágenes de entrenamiento y 6.222 de validación—, así que no tienes que crear las divisiones manualmente. Para controlar tú la división, organiza las imágenes en 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 escribir mucho código. Es una forma práctica de realizar experimentos con Caltech-256 en la nube; además, puedes consultar más opciones en nuestra descripción general de los conjuntos de datos de clasificación.