कैलटेक-256 डेटासेट

Caltech-256 डेटासेट ऑब्जेक्ट वर्गीकरण कार्यों के लिए उपयोग की जाने वाली छवियों का एक व्यापक संग्रह है। इसमें 257 श्रेणियों (256 ऑब्जेक्ट श्रेणियां और 1 पृष्ठभूमि श्रेणी) में विभाजित लगभग 30,000 छवियां हैं। ऑब्जेक्ट रिकग्निशन एल्गोरिदम के लिए एक चुनौतीपूर्ण और विविध बेंचमार्क प्रदान करने के लिए छवियों को सावधानीपूर्वक क्यूरेट और एनोटेट किया गया है।

सतर्कता: Caltech-256 डेटासेट का उपयोग करके छवि वर्गीकरण मॉडल को कैसे प्रशिक्षित करें Ultralytics चक्रनाभि

प्रमुख विशेषताऐं

• Caltech-256 डेटासेट में 257 श्रेणियों में विभाजित लगभग 30,000 रंगीन छवियां शामिल हैं।
• प्रत्येक श्रेणी में कम से कम 80 चित्र होते हैं।
• श्रेणियों में जानवरों, वाहनों, घरेलू सामानों और लोगों सहित वास्तविक दुनिया की वस्तुओं की एक विस्तृत विविधता शामिल है।
• छवियां चर आकार और संकल्प के हैं।
• Caltech-256 का व्यापक रूप से मशीन लर्निंग के क्षेत्र में प्रशिक्षण और परीक्षण के लिए उपयोग किया जाता है, विशेष रूप से वस्तु पहचान कार्यों के लिए।

डेटासेट संरचना

Caltech-101 की तरह, Caltech-256 डेटासेट में प्रशिक्षण और परीक्षण सेटों के बीच औपचारिक विभाजन नहीं है। उपयोगकर्ता आमतौर पर अपनी विशिष्ट आवश्यकताओं के अनुसार अपने स्वयं के विभाजन बनाते हैं। एक सामान्य अभ्यास प्रशिक्षण के लिए छवियों के एक यादृच्छिक सबसेट और परीक्षण के लिए शेष छवियों का उपयोग करना है।

अनुप्रयोगों

Caltech-256 डेटासेट का उपयोग ऑब्जेक्ट रिकग्निशन कार्यों में गहन शिक्षण मॉडल के प्रशिक्षण और मूल्यांकन के लिए व्यापक रूप से किया जाता है, जैसे कि कन्वोल्यूशनल न्यूरल नेटवर्क (CNNs), सपोर्ट वेक्टर मशीन (SVMs), और कई अन्य मशीन लर्निंग एल्गोरिदम। इसकी श्रेणियों और उच्च-गुणवत्ता वाली छवियों का विविध सेट इसे मशीन लर्निंग और कंप्यूटर विज़न के क्षेत्र में अनुसंधान और विकास के लिए एक अमूल्य डेटासेट बनाता है।

उपयोग

एक प्रशिक्षित करने के लिए YOLO 256 युगों के लिए Caltech-100 डेटासेट पर मॉडल, आप निम्न कोड स्निपेट का उपयोग कर सकते हैं। उपलब्ध तर्कों की व्यापक सूची के लिए, मॉडल प्रशिक्षण पृष्ठ देखें।

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n-cls.pt")  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data="caltech256", epochs=100, imgsz=416)

# Start training from a pretrained *.pt model
yolo detect train data=caltech256 model=yolov8n-cls.pt epochs=100 imgsz=416

नमूना छवियाँ और एनोटेशन

Caltech-256 डेटासेट में विभिन्न वस्तुओं की उच्च-गुणवत्ता वाली रंगीन छवियां होती हैं, जो ऑब्जेक्ट पहचान कार्यों के लिए एक व्यापक डेटासेट प्रदान करती हैं। डेटासेट (क्रेडिट) से छवियों के कुछ उदाहरण यहां दिए गए हैं:

उदाहरण Caltech-256 डेटासेट में वस्तुओं की विविधता और जटिलता को प्रदर्शित करता है, जो मजबूत वस्तु पहचान मॉडल के प्रशिक्षण के लिए एक विविध डेटासेट के महत्व पर जोर देता है।

प्रशंसा पत्र और पावती

यदि आप अपने शोध या विकास कार्य में Caltech-256 डेटासेट का उपयोग करते हैं, तो कृपया निम्नलिखित पेपर का हवाला दें:

@article{griffin2007caltech,
         title={Caltech-256 object category dataset},
         author={Griffin, Gregory and Holub, Alex and Perona, Pietro},
         year={2007}
}

हम मशीन लर्निंग और कंप्यूटर विज़न रिसर्च कम्युनिटी के लिए एक मूल्यवान संसाधन के रूप में Caltech-256 डेटासेट बनाने और बनाए रखने के लिए ग्रेगरी ग्रिफिन, एलेक्स होलूब और पिएत्रो पेरोना को स्वीकार करना चाहते हैं। के बारे में अधिक जानकारी के लिए

Caltech-256 डेटासेट और इसके निर्माता, Caltech-256 डेटासेट वेबसाइट पर जाएँ।

अक्सर पूछे जाने वाले प्रश्न

Caltech-256 डेटासेट क्या है और यह मशीन लर्निंग के लिए क्यों महत्वपूर्ण है?

Caltech-256 डेटासेट एक बड़ी छवि डेटासेट है जिसका उपयोग मुख्य रूप से मशीन लर्निंग और कंप्यूटर विज़न में ऑब्जेक्ट वर्गीकरण कार्यों के लिए किया जाता है। इसमें 257 श्रेणियों में विभाजित लगभग 30,000 रंगीन छवियां शामिल हैं, जो वास्तविक दुनिया की वस्तुओं की एक विस्तृत श्रृंखला को कवर करती हैं। डेटासेट की विविध और उच्च-गुणवत्ता वाली छवियां इसे ऑब्जेक्ट रिकग्निशन एल्गोरिदम के मूल्यांकन के लिए एक उत्कृष्ट बेंचमार्क बनाती हैं, जो मजबूत मशीन लर्निंग मॉडल विकसित करने के लिए महत्वपूर्ण है।

मैं कैसे प्रशिक्षित कर सकता हूं YOLO Caltech-256 डेटासेट पर मॉडल का उपयोग करके Python नहीं तो CLI?

एक को प्रशिक्षित करने के लिए YOLO 256 युगों के लिए Caltech-100 डेटासेट पर मॉडल, आप निम्न कोड स्निपेट का उपयोग कर सकते हैं। अतिरिक्त विकल्पों के लिए मॉडल प्रशिक्षण पृष्ठ देखें।

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n-cls.pt")  # load a pretrained model

# Train the model
results = model.train(data="caltech256", epochs=100, imgsz=416)

# Start training from a pretrained *.pt model
yolo detect train data=caltech256 model=yolov8n-cls.pt epochs=100 imgsz=416

Caltech-256 डेटासेट के लिए सबसे आम उपयोग के मामले क्या हैं?

Caltech-256 डेटासेट का व्यापक रूप से विभिन्न ऑब्जेक्ट पहचान कार्यों के लिए उपयोग किया जाता है जैसे:

• प्रशिक्षण दृढ़ तंत्रिका नेटवर्क (सीएनएन)
• समर्थन वेक्टर मशीनों (एसवीएम) के प्रदर्शन का मूल्यांकन
• नए गहन शिक्षण एल्गोरिदम को बेंचमार्क करना
• जैसे ढांचे का उपयोग करके ऑब्जेक्ट डिटेक्शन मॉडल विकसित करना Ultralytics YOLO

इसकी विविधता और व्यापक एनोटेशन इसे मशीन लर्निंग और कंप्यूटर दृष्टि में अनुसंधान और विकास के लिए आदर्श बनाते हैं।

प्रशिक्षण और परीक्षण के लिए Caltech-256 डेटासेट को कैसे संरचित और विभाजित किया जाता है?

Caltech-256 डेटासेट प्रशिक्षण और परीक्षण के लिए पूर्वनिर्धारित विभाजन के साथ नहीं आता है। उपयोगकर्ता आमतौर पर अपनी विशिष्ट आवश्यकताओं के अनुसार अपने स्वयं के विभाजन बनाते हैं। एक सामान्य दृष्टिकोण प्रशिक्षण के लिए छवियों के एक सबसेट का बेतरतीब ढंग से चयन करना और परीक्षण के लिए शेष छवियों का उपयोग करना है। यह लचीलापन उपयोगकर्ताओं को डेटासेट को उनकी विशिष्ट परियोजना आवश्यकताओं और प्रयोगात्मक सेटअपों के अनुरूप बनाने की अनुमति देता है।

मुझे क्यों उपयोग करना चाहिए Ultralytics YOLO Caltech-256 डेटासेट पर प्रशिक्षण मॉडल के लिए?

Ultralytics YOLO मॉडल Caltech-256 डेटासेट पर प्रशिक्षण के लिए कई लाभ प्रदान करते हैं:

• उच्च सटीकता: YOLO मॉडल ऑब्जेक्ट डिटेक्शन कार्यों में अपने अत्याधुनिक प्रदर्शन के लिए जाने जाते हैं।
• गति: वे वास्तविक समय अनुमान क्षमता प्रदान करते हैं, जिससे उन्हें त्वरित भविष्यवाणियों की आवश्यकता वाले अनुप्रयोगों के लिए उपयुक्त बना दिया जाता है।
• उपयोग में आसानी: के साथ Ultralytics हब, उपयोगकर्ता व्यापक कोडिंग के बिना मॉडल को प्रशिक्षित, मान्य और तैनात कर सकते हैं।
• पूर्व-प्रशिक्षित मॉडल: पूर्व-प्रशिक्षित मॉडल से शुरू, जैसे yolov8n-cls.pt, प्रशिक्षण के समय को काफी कम कर सकता है और मॉडल सटीकता में सुधार कर सकता है।

अधिक जानकारी के लिए, हमारे व्यापक प्रशिक्षण गाइड का अन्वेषण करें।

टिप्पणियाँ