Jeu de données Caltech-101#
Le jeu de données Caltech-101 est une référence classique de classification d'images comprenant 9 144 images réparties dans 101 catégories d'objets ainsi qu'une classe d'arrière-plan. Chaque catégorie contient environ 40 à 800 images d'objets du monde réel (animaux, véhicules, articles ménagers et personnes), ce qui en fait une référence compacte mais stimulante pour les modèles de reconnaissance d'objets.
Explore Caltech-101 on Ultralytics Platform pour prévisualiser des exemples, inspecter les statistiques du dataset et le cloner pour l'entraînement.
Caltech-101 est fourni sans répartition prédéfinie entre entraînement et validation. Les commandes d'entraînement ci-dessous le divisent automatiquement en 80 % pour l'entraînement et 20 % pour la validation, aucune préparation manuelle n'est donc nécessaire.
Fonctionnalités clés#
- Caltech-101 contient 9 144 images en couleur réparties dans 101 catégories d'objets plus une classe
BACKGROUND_Google(soit 102 dossiers de classe au total). - Les catégories couvrent une grande variété d'objets du monde réel, notamment des animaux, des véhicules, des articles ménagers et des personnes.
- Chaque catégorie contient environ 40 à 800 images, les tailles des classes sont donc déséquilibrées.
- Les images ont des tailles variables, la plupart faisant environ 300x200 pixels (résolution moyenne).
- Caltech-101 est largement utilisé pour évaluer des algorithmes de classification d'images et de reconnaissance d'objets.
Structure du jeu de données#
Caltech-101 est distribué sous forme de 102 dossiers (un par classe, couvrant 101 catégories d'objets plus une classe BACKGROUND_Google), sans séparation prédéfinie entre entraînement et validation. Lorsque tu lances l'entraînement, Ultralytics répartit automatiquement les images pour que les modèles s'entraînent sur l'ensemble des 102 classes sans configuration manuelle :
- Classes : 102 (101 catégories d'objets + 1 arrière-plan)
- Nombre total d'images : 9 144
- Répartition entraînement/validation : automatique 80 % / 20 % (≈ 7 280 pour l'entraînement, ≈ 1 864 pour la validation)
- Images par classe : environ 40 à 800 (déséquilibré)
Applications#
Caltech-101 est largement utilisé pour entraîner et évaluer des modèles de classification d'images et de reconnaissance d'objets, y compris des réseaux de neurones convolutifs (CNN) et des machines à vecteurs de support (SVM). Sa large couverture de catégories et ses images propres et étiquetées en font une référence populaire pour la recherche et le prototypage en apprentissage automatique et en vision par ordinateur.
Utilisation#
Entraîne un modèle YOLO sur Caltech-101 pendant 100 époques avec une taille d'image de 416. Pour obtenir la liste complète des arguments disponibles, consulte la page Entraînement et le guide de la tâche de classification d'images.
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)Exemples d'images et annotations#
Le jeu de données Caltech-101 contient des images en couleur de haute qualité représentant divers objets, offrant ainsi un ensemble bien structuré pour les tâches de classification d'images. Voici quelques exemples d'images issues du jeu de données :
Les échantillons montrent la variété des catégories et le cadrage naturel et centré typique de Caltech-101, ce qui en fait un point de départ propre pour entraîner des modèles robustes de reconnaissance d'objets.
Citations 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 la création et la maintenance du jeu de données Caltech-101, qui constitue une ressource précieuse pour la communauté de recherche en apprentissage automatique et en vision par ordinateur. Pour plus d'informations sur le jeu de données Caltech-101 et ses créateurs, visite le site Web du jeu de données Caltech-101.
FAQ#
Le jeu de données Caltech-101 est largement utilisé pour entraîner et évaluer des modèles de classification d'images et de reconnaissance d'objets. Il contient 9 144 images réparties dans 101 catégories d'objets ainsi qu'une classe d'arrière-plan, offrant une référence stimulante pour évaluer des algorithmes tels que les réseaux de neurones convolutifs (CNN) et les machines à vecteurs de support (SVM).
Caltech-101 contient 101 catégories d'objets plus une classe
BACKGROUND_Google, soit un total de 102 dossiers de classes et 9 144 images. Lorsque tu t'entraînes avec Ultralytics, le modèle apprend l'ensemble des 102 classes. Les tailles des catégories sont déséquilibrées et varient d'environ 40 à 800 images chacune.Caltech-101 ne possède pas de division prédéfinie. Lors de ton premier entraînement, Ultralytics le divise automatiquement en 80 % pour l'entraînement et 20 % pour la validation (soit environ 7 280 images d'entraînement et 1 864 images de validation), de sorte que tu n'as pas besoin de créer les divisions manuellement. Pour contrôler toi-même la répartition, organise les images dans les dossiers
train/etval/avant de lancer l'entraînement.Oui. Ultralytics Platform te permet de gérer des jeux de données, d'entraîner des modèles de classification d'images et de les déployer sans codage intensif. C'est un moyen pratique d'exécuter des expériences Caltech-101 dans le cloud, et tu peux explorer d'autres options dans notre présentation des jeux de données de classification.
Pour entraîner un modèle Ultralytics YOLO sur Caltech-101, utilise les extraits de code ci-dessous. Le jeu de données se télécharge automatiquement lors de sa première utilisation. Pour consulter la liste complète des arguments, reporte-toi à la page d'Entraînement du modèle.