Jeu de données Caltech-256#
Le jeu de données Caltech-256 est une référence classique de classification d'images comprenant 30 607 images réparties dans 256 catégories d'objets ainsi qu'une classe d'arrière-plan. Chaque catégorie contient au moins 80 images d'objets du monde réel — animaux, véhicules, articles ménagers et personnes —, ce qui en fait un successeur plus vaste et plus exigeant de Caltech-101 pour les modèles de reconnaissance d'objets.
Découvre Caltech-256 on Ultralytics Platform pour prévisualiser des échantillons, inspecter les statistiques du dataset et le cloner pour l'entraînement.
Caltech-256 est fourni sans séparation prédéfinie entre les ensembles d'entraînement et de 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-256 contient 30 607 images en couleur réparties dans 256 catégories d'objets plus une classe d'arrière-plan
257.clutter(257 dossiers de classes 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 au moins 80 images, la plus importante en comptant jusqu'à environ 800 ; les tailles des classes sont donc déséquilibrées.
- Les images sont de tailles et de résolutions variables.
- Caltech-256 est largement utilisé pour évaluer les algorithmes de classification d'images et de reconnaissance d'objets.
Structure du jeu de données#
Caltech-256 est distribué sous forme de 257 dossiers — un par classe, couvrant 256 catégories d'objets plus une classe d'arrière-plan 257.clutter —, sans division 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 257 classes sans aucune configuration manuelle :
- Classes : 257 (256 catégories d'objets + 1 arrière-plan)
- Nombre total d'images : 30 607
- Répartition entraînement/validation : automatique 80 % / 20 % (≈ 24 385 entraînement, ≈ 6 222 validation)
- Images par classe : au moins 80 (déséquilibré, jusqu'à environ 800)
Applications#
Le jeu de données Caltech-256 est largement utilisé pour entraîner et évaluer des modèles de classification d'images et de reconnaissance d'objets, notamment les Convolutional Neural Networks (CNN) et les Support Vector Machines (SVM). Son grand nombre de catégories et ses images de haute qualité en font une référence populaire pour la recherche et le prototypage en machine learning et en vision par ordinateur.
Utilisation#
Entraîne un modèle YOLO sur Caltech-256 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="caltech256", epochs=100, imgsz=416)Exemples d'images et annotations#
Le jeu de données Caltech-256 contient des images en couleur de haute qualité de divers objets, offrant un ensemble de données bien structuré pour les tâches de classification d'images. Voici quelques exemples d'images du jeu de données (crédit) :
Les échantillons montrent la diversité et la complexité des objets dans le jeu de données Caltech-256, soulignant l'importance d'un jeu de données varié pour entraîner des modèles de reconnaissance d'objets robustes.
Citations et remerciements#
Si tu utilises le jeu de données Caltech-256 dans tes travaux de recherche ou de développement, merci de citer l'article suivant :
@article{griffin2007caltech,
title={Caltech-256 object category dataset},
author={Griffin, Gregory and Holub, Alex and Perona, Pietro},
year={2007}
}Nous tenons à remercier Gregory Griffin, Alex Holub et Pietro Perona pour avoir créé et maintenu le jeu de données Caltech-256 en tant que ressource précieuse pour la communauté de recherche en machine learning et en vision par ordinateur. Pour plus d'informations sur le jeu de données Caltech-256 et ses créateurs, visite le site web du jeu de données Caltech-256.
FAQ#
Le jeu de données Caltech-256 est largement utilisé pour entraîner et évaluer des modèles de classification d'images et de reconnaissance d'objets. Il contient 30 607 images réparties dans 256 catégories d'objets ainsi qu'une classe d'arrière-plan, offrant une référence plus vaste et plus exigeante que Caltech-101 pour des algorithmes tels que les réseaux de neurones convolutifs (CNN) et les machines à vecteurs de support (SVM).
Caltech-256 contient 256 catégories d'objets plus une classe d'arrière-plan
257.clutter, soit 257 dossiers de classes et 30 607 images au total. Lorsque tu t'entraînes avec Ultralytics, le modèle apprend l'ensemble des 257 classes. Chaque catégorie contient au moins 80 images, mais les tailles des classes sont déséquilibrées, la plus grande contenant jusqu'à environ 800 images.Caltech-256 n'a pas de division prédéfinie. La première fois que tu t'entraînes, Ultralytics le divise automatiquement en 80 % d'entraînement et 20 % de validation (environ 24 385 images d'entraînement et 6 222 images de validation), de sorte que tu n'as pas besoin de créer des divisions manuellement. Pour contrôler toi-même la division, organise les images dans des dossiers
train/etval/avant 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-256 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-256, utilise les extraits de code ci-dessous. Le jeu de données se télécharge automatiquement lors de sa première utilisation. Pour obtenir la liste complète des arguments, consulte la page d'entraînement du modèle.