Conjunto de datos Caltech-256

El conjunto de datos Caltech-256 es una extensa colección de imágenes utilizadas para tareas de clasificación de objetos. Contiene unas 30.000 imágenes divididas en 257 categorías (256 categorías de objetos y 1 categoría de fondo). Las imágenes han sido cuidadosamente seleccionadas y anotadas para proporcionar un punto de referencia desafiante y diverso para los algoritmos de reconocimiento de objetos.

Observa: Cómo entrenar Clasificación de imágenes Modelo utilizando el conjunto de datos Caltech-256 con Ultralytics HUB

Características principales

El conjunto de datos Caltech-256 comprende unas 30.000 imágenes en color divididas en 257 categorías.
Cada categoría contiene un mínimo de 80 imágenes.
Las categorías abarcan una amplia variedad de objetos del mundo real, como animales, vehículos, artículos domésticos y personas.
Las imágenes son de tamaño y resolución variables.
Caltech-256 se utiliza ampliamente para entrenamiento y pruebas en el campo del aprendizaje automático, en particular para tareas de reconocimiento de objetos.

Estructura del conjunto de datos

Al igual que Caltech-101, el conjunto de datos Caltech-256 no tiene una división formal entre los conjuntos de entrenamiento y prueba. Los usuarios suelen crear sus propias divisiones en función de sus necesidades específicas. Una práctica habitual es utilizar un subconjunto aleatorio de imágenes para el entrenamiento y el resto de imágenes para las pruebas.

Aplicaciones

El conjunto de datos Caltech-256 se utiliza ampliamente para entrenar y evaluar modelos de aprendizaje profundo en tareas de reconocimiento de objetos, como redes neuronales convolucionales (CNN), máquinas de vectores de soporte (SVM) y otros algoritmos de aprendizaje automático. Su variado conjunto de categorías e imágenes de alta calidad lo convierten en un conjunto de datos muy valioso para la investigación y el desarrollo en el campo del aprendizaje automático y la visión por ordenador.

Utilización

Para entrenar un modelo YOLO en el conjunto de datos Caltech-256 durante 100 épocas, puede utilizar los siguientes fragmentos de código. Para obtener una lista completa de los argumentos disponibles, consulte la página de entrenamiento del modelo.

Ejemplo de tren

PythonCLI

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n-cls.pt")  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data="caltech256", epochs=100, imgsz=416)

# Start training from a pretrained *.pt model
yolo classify train data=caltech256 model=yolo11n-cls.pt epochs=100 imgsz=416

Ejemplos de imágenes y anotaciones

El conjunto de datos Caltech-256 contiene imágenes en color de alta calidad de diversos objetos, lo que proporciona un completo conjunto de datos para tareas de reconocimiento de objetos. He aquí algunos ejemplos de imágenes del conjunto de datos(crédito):

Imagen de muestra del conjunto de datos

El ejemplo muestra la diversidad y complejidad de los objetos del conjunto de datos Caltech-256, lo que subraya la importancia de disponer de un conjunto de datos variado para entrenar modelos sólidos de reconocimiento de objetos.

Citas y agradecimientos

Si utiliza el conjunto de datos Caltech-256 en su trabajo de investigación o desarrollo, cite el siguiente documento:

BibTeX

@article{griffin2007caltech,
         title={Caltech-256 object category dataset},
         author={Griffin, Gregory and Holub, Alex and Perona, Pietro},
         year={2007}
}

Nos gustaría dar las gracias a Gregory Griffin, Alex Holub y Pietro Perona por crear y mantener el conjunto de datos Caltech-256 como un valioso recurso para la comunidad investigadora del aprendizaje automático y la visión por ordenador. Para más información sobre el

Caltech-256 y sus creadores, visite el sitio web del conjunto de datos Caltech-256.

PREGUNTAS FRECUENTES

¿Qué es el conjunto de datos Caltech-256 y por qué es importante para el aprendizaje automático?

El conjunto de datos Caltech-256 es un gran conjunto de datos de imágenes utilizado principalmente para tareas de clasificación de objetos en aprendizaje automático y visión por ordenador. Consta de unas 30.000 imágenes en color divididas en 257 categorías, que abarcan una amplia gama de objetos del mundo real. La diversidad y la alta calidad de las imágenes del conjunto de datos lo convierten en un excelente punto de referencia para evaluar algoritmos de reconocimiento de objetos, lo que resulta crucial para desarrollar modelos sólidos de aprendizaje automático.

¿Cómo puedo entrenar un modelo YOLO en el conjunto de datos Caltech-256 utilizando Python o CLI?

Para entrenar un modelo YOLO en el conjunto de datos Caltech-256 durante 100 épocas, puede utilizar los siguientes fragmentos de código. Consulte la página de entrenamiento del modelo para ver opciones adicionales.

Ejemplo de tren

PythonCLI

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n-cls.pt")  # load a pretrained model

# Train the model
results = model.train(data="caltech256", epochs=100, imgsz=416)

# Start training from a pretrained *.pt model
yolo classify train data=caltech256 model=yolo11n-cls.pt epochs=100 imgsz=416

¿Cuáles son los usos más comunes del conjunto de datos Caltech-256?

El conjunto de datos Caltech-256 se utiliza ampliamente para diversas tareas de reconocimiento de objetos, como:

Entrenamiento de redes neuronales convolucionales (CNN)
Evaluación del rendimiento de las máquinas de vectores soporte (SVM)
Evaluación comparativa de nuevos algoritmos de aprendizaje profundo
Desarrollo de modelos de detección de objetos utilizando marcos como Ultralytics YOLO

Su diversidad y exhaustivas anotaciones lo hacen ideal para la investigación y el desarrollo en aprendizaje automático y visión por ordenador.

¿Cómo está estructurado y dividido el conjunto de datos Caltech-256 para el entrenamiento y las pruebas?

El conjunto de datos Caltech-256 no incluye una división predefinida para el entrenamiento y las pruebas. Los usuarios suelen crear sus propias divisiones en función de sus necesidades específicas. Un método habitual consiste en seleccionar aleatoriamente un subconjunto de imágenes para el entrenamiento y utilizar el resto de imágenes para las pruebas. Esta flexibilidad permite a los usuarios adaptar el conjunto de datos a los requisitos específicos de sus proyectos y configuraciones experimentales.

¿Por qué debería utilizar Ultralytics YOLO para entrenar modelos en el conjunto de datos Caltech-256?

Ultralytics YOLO ofrecen varias ventajas para el entrenamiento en el conjunto de datos Caltech-256:

Alta precisión: los modelos YOLO son conocidos por su rendimiento de vanguardia en tareas de detección de objetos.
Rapidez: proporcionan capacidades de inferencia en tiempo real, lo que las hace adecuadas para aplicaciones que requieren predicciones rápidas.
Facilidad de uso: Con Ultralytics HUB, los usuarios pueden entrenar, validar y desplegar modelos sin necesidad de una codificación exhaustiva.
Modelos preentrenados: Partiendo de modelos preentrenados, como yolo11n-cls.ptpuede reducir significativamente el tiempo de entrenamiento y mejorar el modelo precisión.

Para más información, consulte nuestra completa guía de formación.

Creado hace 1 año ✏️ Actualizado hace 2 meses