Jeu de données Caltech-256#
Le jeu de données Caltech-256 est une référence classique pour la classification d’images, composée de 30 607 images couvrant 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, objets domestiques et personnes — ce qui en fait un successeur plus vaste et plus exigeant de Caltech-101 pour les modèles de reconnaissance d’objets.
Explore Caltech-256 sur Ultralytics Platform pour prévisualiser des échantillons, examiner les statistiques du jeu de données et le cloner pour l’entraînement.
Caltech-256 est fourni sans séparation prédéfinie entre entraînement et validation. Les commandes d’entraînement ci-dessous le divisent automatiquement en 80 % pour l’entraînement et 20 % pour la validation, sans préparation manuelle nécessaire.
Fonctionnalités clés#
- Caltech-256 contient 30 607 images couleur réparties dans 256 catégories d’objets ainsi qu’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 objets ménagers et des personnes.
- Chaque catégorie contient au moins 80 images, la plus grande pouvant en contenir environ 800, ce qui crée un déséquilibre entre les classes.
- Les images ont des tailles et des 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 la forme de 257 dossiers — un par classe, couvrant 256 catégories d’objets ainsi qu’une classe d’arrière-plan 257.clutter — sans séparation prédéfinie entre entraînement et validation. Lorsque tu lances l’entraînement, Ultralytics partitionne automatiquement les images afin que les modèles s’entraînent sur les 257 classes sans configuration manuelle :
- Classes : 257 (256 catégories d’objets + 1 arrière-plan)
- Nombre total d’images : 30 607
- Séparation entraînement/validation : automatique, 80 % / 20 % (≈24 385 pour l’entraînement, ≈6 222 pour la 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 des réseaux neuronaux convolutifs (CNNs) et des machines à vecteurs de support (SVMs). Son grand nombre de catégories et ses images de haute qualité 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-256 pendant 100 époques avec une taille d’image de 416. Pour consulter la liste complète des arguments disponibles, voir 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 d’annotations#
Le jeu de données Caltech-256 contient des images couleur de haute qualité représentant divers objets, fournissant ainsi un jeu de données bien structuré pour les tâches de classification d’images. Voici quelques exemples d’images du jeu de données (crédit) :
Les échantillons illustrent la diversité et la complexité des objets du jeu de données Caltech-256, soulignant l’intérêt d’un jeu de données varié pour entraîner des modèles robustes de reconnaissance d’objets.
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 souhaitons remercier Gregory Griffin, Alex Holub et Pietro Perona pour avoir créé et assuré la maintenance du jeu de données Caltech-256, une ressource précieuse pour la communauté de recherche en apprentissage automatique et en vision par ordinateur. Pour en savoir plus sur le jeu de données Caltech-256 et ses créateurs, consulte 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, fournissant une référence plus vaste et plus exigeante que Caltech-101 pour des algorithmes tels que les réseaux neuronaux convolutifs (CNNs) et les machines à vecteurs de support (SVMs).
Caltech-256 contient 256 catégories d’objets ainsi qu’une classe d’arrière-plan
257.clutter, soit 257 dossiers de classes et 30 607 images au total. Lorsque tu entraînes un modèle avec Ultralytics, celui-ci apprend les 257 classes. Chaque catégorie contient au moins 80 images, mais les tailles des classes sont déséquilibrées, la plus grande pouvant contenir environ 800 images.Caltech-256 ne possède aucune séparation prédéfinie. Lors du premier entraînement, Ultralytics le divise automatiquement en 80 % pour l’entraînement et 20 % pour la validation — environ 24 385 images d’entraînement et 6 222 images de validation — sans que tu aies besoin de créer les séparations manuellement. Pour contrôler toi-même la séparation, organise les images dans les 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 programmation poussée. C’est un moyen pratique d’exécuter des expériences avec Caltech-256 dans le cloud, et tu peux découvrir davantage d’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 est téléchargé automatiquement lors de la première utilisation. Pour consulter la liste complète des arguments, voir la page Entraînement des modèles.