Link to this sectionJeu de données Caltech-101#

Le jeu de données Caltech-101 est un jeu de données largement utilisé pour les tâches de reconnaissance d'objets, contenant environ 9 000 images réparties en 101 catégories d'objets. Les catégories ont été choisies pour refléter une variété d'objets du monde réel, et les images elles-mêmes ont été soigneusement sélectionnées et annotées pour fournir un banc d'essai exigeant pour les algorithmes de reconnaissance d'objets.

Link to this sectionFonctionnalités clés#

• Le jeu de données Caltech-101 comprend environ 9 000 images en couleur divisées en 101 catégories.
• Les catégories englobent une grande variété d'objets, notamment des animaux, des véhicules, des articles ménagers et des personnes.
• Le nombre d'images par catégorie varie, avec environ 40 à 800 images dans chaque catégorie.
• Les images ont des tailles variables, la plupart étant en résolution moyenne.
• Caltech-101 est largement utilisé pour l'entraînement et les tests dans le domaine du machine learning, en particulier pour les tâches de reconnaissance d'objets.

Link to this sectionStructure du jeu de données#

Contrairement à beaucoup d'autres jeux de données, le jeu de données Caltech-101 n'est pas formellement divisé en ensembles d'entraînement et de test. Les utilisateurs créent généralement leurs propres divisions en fonction de leurs besoins spécifiques. Cependant, une pratique courante consiste à utiliser un sous-ensemble aléatoire d'images pour l'entraînement (par exemple, 30 images par catégorie) et les images restantes pour les tests.

Link to this sectionApplications#

Le jeu de données Caltech-101 est largement utilisé pour l'entraînement et l'évaluation de modèles de deep learning dans des tâches de reconnaissance d'objets, tels que les Convolutional Neural Networks (CNN), les Support Vector Machines (SVM) et divers autres algorithmes de machine learning. Sa grande variété de catégories et ses images de haute qualité en font un excellent jeu de données pour la recherche et le développement dans le domaine du machine learning et de la computer vision.

Link to this sectionUtilisation#

Pour entraîner un modèle YOLO sur le jeu de données Caltech-101 pendant 100 epochs, tu peux utiliser les extraits de code suivants. Pour une liste complète des arguments disponibles, consulte la page Training du modèle.

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)

Link to this sectionExemples d'images et annotations#

Le jeu de données Caltech-101 contient des images couleur de haute qualité de divers objets, offrant un jeu de données bien structuré pour les tâches de image classification. Voici quelques exemples d'images provenant du jeu de données :

L'exemple présente la variété et la complexité des objets dans le jeu de données Caltech-101, soulignant l'importance d'un jeu de données diversifié pour l'entraînement de modèles de reconnaissance d'objets robustes.

Link to this sectionCitations et remerciements#

Si tu utilises le jeu de données Caltech-101 dans tes travaux de recherche ou de développement, merci de citer l'article suivant :

@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}
}

Nous tenons à remercier Li Fei-Fei, Rob Fergus et Pietro Perona pour avoir créé et maintenu le jeu de données Caltech-101 en tant que ressource précieuse pour la communauté de recherche en machine learning et computer vision. Pour plus d'informations sur le jeu de données Caltech-101 et ses créateurs, visite le site web du jeu de données Caltech-101.

Link to this sectionFAQ#

Link to this sectionÀ quoi sert le jeu de données Caltech-101 en machine learning ?#

Le jeu de données Caltech-101 est largement utilisé en machine learning pour les tâches de reconnaissance d'objets. Il contient environ 9 000 images réparties sur 101 catégories, fournissant un banc d'essai exigeant pour évaluer les algorithmes de reconnaissance d'objets. Les chercheurs l'utilisent pour entraîner et tester des modèles, en particulier les Neural Networks convolutifs (CNN) et les Support Vector Machines (SVM), en computer vision.

Link to this sectionComment puis-je entraîner un modèle Ultralytics YOLO sur le jeu de données Caltech-101 ?#

Pour entraîner un modèle Ultralytics YOLO sur le jeu de données Caltech-101, tu peux utiliser les extraits de code fournis. Par exemple, pour entraîner sur 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)

Pour des arguments et des options plus détaillés, consulte la page Training du modèle.

Link to this sectionQuelles sont les caractéristiques clés du jeu de données Caltech-101 ?#

Le jeu de données Caltech-101 comprend :

• Environ 9 000 images en couleur réparties sur 101 catégories.
• Des catégories couvrant une gamme variée d'objets, incluant des animaux, des véhicules et des articles ménagers.
• Un nombre variable d'images par catégorie, généralement entre 40 et 800.
• Des tailles d'images variables, la plupart étant en résolution moyenne.

Ces caractéristiques en font un excellent choix pour l'entraînement et l'évaluation de modèles de reconnaissance d'objets en machine learning et computer vision.

Link to this sectionPourquoi devrais-je citer le jeu de données Caltech-101 dans mes recherches ?#

Citer le jeu de données Caltech-101 dans tes recherches permet de reconnaître les contributions des créateurs et fournit une référence pour d'autres personnes susceptibles d'utiliser le jeu de données. La citation recommandée est :

@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}
}

Citer aide à maintenir l'intégrité du travail académique et assiste tes pairs dans la localisation de la ressource originale.

Link to this sectionPuis-je utiliser Ultralytics Platform pour entraîner des modèles sur le jeu de données Caltech-101 ?#

Oui, tu peux utiliser Ultralytics Platform pour entraîner des modèles sur le jeu de données Caltech-101. Ultralytics Platform fournit une plateforme intuitive pour gérer les jeux de données, entraîner les modèles et les déployer sans codage approfondi. Pour un guide détaillé, consulte l'article de blog how to train your custom models with Ultralytics Platform.