Ensemble de données Caltech-101
L'ensemble de données Caltech-101 est un ensemble de données largement utilisé pour les tâches de reconnaissance d'objets, contenant environ 9 000 images de 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 une référence difficile aux algorithmes de reconnaissance d'objets.
Caractéristiques principales
- L'ensemble de données Caltech-101 comprend environ 9 000 images couleur réparties 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 sont de taille variable, la plupart d'entre elles étant de résolution moyenne.
- Caltech-101 est largement utilisé pour la formation et les tests dans le domaine de l'apprentissage automatique, en particulier pour les tâches de reconnaissance d'objets.
Structure de l'ensemble de données
Contrairement à de nombreux autres ensembles de données, l'ensemble de données Caltech-101 n'est pas formellement divisé en ensembles de formation 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.
Applications
The Caltech-101 dataset is extensively used for training and evaluating deep learning models in object recognition tasks, such as Convolutional Neural Networks (CNNs), Support Vector Machines (SVMs), and various other machine learning algorithms. Its wide variety of categories and high-quality images make it an excellent dataset for research and development in the field of machine learning and computer vision.
Utilisation
Pour entraîner un modèle YOLO sur l'ensemble de données Caltech-101 pendant 100 époques, tu peux utiliser les extraits de code suivants. Pour obtenir une liste complète des arguments disponibles, reporte-toi à la page Formation du modèle.
Exemple de train
Exemples d'images et d'annotations
L'ensemble de données Caltech-101 contient des images couleur de haute qualité de divers objets, ce qui constitue un ensemble de données bien structuré pour les tâches de reconnaissance d'objets. Voici quelques exemples d'images tirées de l'ensemble de données :
L'exemple présente la variété et la complexité des objets de l'ensemble de données Caltech-101, soulignant l'importance d'un ensemble de données diversifié pour former des modèles de reconnaissance d'objets robustes.
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 de l'ensemble de données Caltech-101, qui constitue une ressource précieuse pour la communauté des chercheurs en apprentissage automatique et en vision par ordinateur. Pour plus d'informations sur l'ensemble de données Caltech-101 et ses créateurs, visite le site Web de l'ensemble de données Caltech-101.
FAQ
À quoi sert l'ensemble de données Caltech-101 dans l'apprentissage automatique ?
The Caltech-101 dataset is widely used in machine learning for object recognition tasks. It contains around 9,000 images across 101 categories, providing a challenging benchmark for evaluating object recognition algorithms. Researchers leverage it to train and test models, especially Convolutional Neural Networks (CNNs) and Support Vector Machines (SVMs), in computer vision.
Comment puis-je entraîner un modèle Ultralytics YOLO sur l'ensemble de données Caltech-101 ?
To train an Ultralytics YOLO model on the Caltech-101 dataset, you can use the provided code snippets. For example, to train for 100 epochs:
Exemple de train
Pour des arguments et des options plus détaillés, reporte-toi à la page Formation au modèle.
Quelles sont les principales caractéristiques de l'ensemble de données Caltech-101 ?
The Caltech-101 dataset includes:
- Around 9,000 color images across 101 categories.
- Categories covering a diverse range of objects, including animals, vehicles, and household items.
- Variable number of images per category, typically between 40 and 800.
- Variable image sizes, with most being medium resolution.
These features make it an excellent choice for training and evaluating object recognition models in machine learning and computer vision.
Pourquoi devrais-je citer l'ensemble de données Caltech-101 dans ma recherche ?
En citant le jeu de données Caltech-101 dans tes recherches, tu reconnais les contributions des créateurs et tu fournis une référence aux autres personnes qui pourraient utiliser le jeu de données. La citation recommandée est la suivante :
@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}
}
La citation permet de maintenir l'intégrité du travail universitaire et aide les pairs à localiser la ressource originale.
Puis-je utiliser Ultralytics HUB pour former des modèles sur l'ensemble de données Caltech-101 ?
Oui, tu peux utiliser Ultralytics HUB pour former des modèles sur le jeu de données Caltech-101. Ultralytics HUB fournit une plateforme intuitive pour gérer les ensembles de données, former des modèles et les déployer sans avoir à coder de manière approfondie. Pour obtenir un guide détaillé, reporte-toi à l'article de blog Comment former tes modèles personnalisés avec Ultralytics HUB.
