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. Il contient 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 pour les 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, y compris des animaux, des véhicules, des articles ménagers et des personnes.
- Le nombre d'images par catégorie varie, avec environ 40 à 800 images par 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. Toutefois, 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 le test.
Applications
L'ensemble de données Caltech-101 est largement utilisé pour l'entraînement et l'évaluation de modèles d'apprentissage profond dans les tâches de reconnaissance d'objets, tels que les réseaux neuronaux convolutifs (CNN), les machines à vecteurs de support (SVM) et divers autres algorithmes d'apprentissage automatique. Sa grande variété de catégories et ses images de haute qualité en font un excellent ensemble de données pour la recherche et le développement dans le domaine de l'apprentissage automatique et de la vision par ordinateur.
Utilisation
Pour entraîner un modèle YOLO sur l'ensemble de données Caltech-101 pendant 100 époques, vous pouvez utiliser les extraits de code suivants. Pour obtenir une liste complète des arguments disponibles, reportez-vous à la page d'entraînement 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, fournissant 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 montre la variété et la complexité des objets de l'ensemble de données Caltech-101, soulignant l'importance d'un ensemble de données diversifié pour l'apprentissage de modèles de reconnaissance d'objets robustes.
Citations et remerciements
Si vous utilisez le jeu de données Caltech-101 dans vos travaux de recherche ou de développement, veuillez 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, visitez le site web de l'ensemble de données Caltech-101.
FAQ
À quoi sert l'ensemble de données Caltech-101 dans l'apprentissage automatique ?
L'ensemble de données Caltech-101 est largement utilisé dans l'apprentissage automatique pour les tâches de reconnaissance d'objets. Il contient environ 9 000 images réparties en 101 catégories, ce qui constitue une référence difficile pour l'évaluation des algorithmes de reconnaissance d'objets. Les chercheurs s'en servent pour former et tester des modèles, en particulier les réseaux neuronaux convolutifs (CNN) et les machines à vecteurs de support (SVM), dans le domaine de la vision artificielle.
Comment puis-je entraîner un modèle Ultralytics YOLO sur l'ensemble de données Caltech-101 ?
Pour entraîner un modèle Ultralytics YOLO sur l'ensemble de données Caltech-101, vous pouvez utiliser les extraits de code fournis. Par exemple, pour un entraînement de 100 époques:
Exemple de train
Pour plus de détails sur les arguments et les options, se référer à la page de formation du modèle.
Quelles sont les principales caractéristiques du jeu de données Caltech-101 ?
Le jeu de données Caltech-101 comprend :
- Environ 9 000 images en couleur réparties en 101 catégories.
- Catégories couvrant un large éventail d'objets, y compris des animaux, des véhicules et des articles ménagers.
- Nombre variable d'images par catégorie, généralement entre 40 et 800.
- Taille variable des images, la plupart étant de résolution moyenne.
Ces caractéristiques en font un excellent choix pour l'entraînement et l'évaluation des modèles de reconnaissance d'objets dans les domaines de l'apprentissage automatique et de la vision par ordinateur.
Pourquoi devrais-je citer l'ensemble de données Caltech-101 dans ma recherche ?
En citant le jeu de données Caltech-101 dans votre recherche, vous reconnaissez les contributions des créateurs et fournissez 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 contribue à maintenir l'intégrité du travail universitaire et aide les pairs à localiser la ressource originale.
Puis-je utiliser Ultralytics HUB pour entraîner des modèles sur le jeu de données Caltech-101 ?
Oui, vous pouvez utiliser Ultralytics HUB pour entraîner des modèles sur le jeu de données Caltech-101. Ultralytics HUB fournit une plateforme intuitive pour la gestion des ensembles de données, l'entraînement des modèles et leur déploiement sans codage intensif. Pour un guide détaillé, reportez-vous à l'article du blog sur la formation de vos modèles personnalisés avec Ultralytics HUB.
