Link to this sectionDataset Caltech-101#

Il dataset Caltech-101 è un dataset ampiamente utilizzato per attività di riconoscimento di oggetti, contenente circa 9.000 immagini suddivise in 101 categorie. Le categorie sono state scelte per riflettere una varietà di oggetti del mondo reale, e le immagini stesse sono state accuratamente selezionate e annotate per fornire un benchmark impegnativo per gli algoritmi di riconoscimento di oggetti.

Link to this sectionCaratteristiche principali#

• Il dataset Caltech-101 comprende circa 9.000 immagini a colori suddivise in 101 categorie.
• Le categorie comprendono un'ampia varietà di oggetti, tra cui animali, veicoli, articoli per la casa e persone.
• Il numero di immagini per categoria varia, con circa 40-800 immagini in ogni categoria.
• Le immagini hanno dimensioni variabili, con la maggior parte delle immagini a risoluzione media.
• Caltech-101 è ampiamente utilizzato per l'addestramento e il test nel campo del machine learning, in particolare per attività di riconoscimento di oggetti.

Link to this sectionStruttura del dataset#

A differenza di molti altri dataset, il dataset Caltech-101 non è formalmente suddiviso in set di addestramento e test. Gli utenti solitamente creano le proprie suddivisioni in base alle loro esigenze specifiche. Tuttavia, una pratica comune consiste nell'utilizzare un sottoinsieme casuale di immagini per l'addestramento (ad esempio, 30 immagini per categoria) e le immagini rimanenti per il test.

Link to this sectionApplicazioni#

Il dataset Caltech-101 è ampiamente utilizzato per l'addestramento e la valutazione di modelli di deep learning in attività di riconoscimento di oggetti, come Convolutional Neural Networks (CNN), Support Vector Machines (SVM) e vari altri algoritmi di machine learning. La sua ampia varietà di categorie e le immagini di alta qualità lo rendono un dataset eccellente per la ricerca e lo sviluppo nel campo del machine learning e della computer vision.

Link to this sectionUtilizzo#

Per addestrare un modello YOLO sul dataset Caltech-101 per 100 epochs, puoi utilizzare i seguenti snippet di codice. Per un elenco completo degli argomenti disponibili, fai riferimento alla pagina Training del modello.

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="caltech101", epochs=100, imgsz=416)

Link to this sectionEsempi di immagini e annotazioni#

Il dataset Caltech-101 contiene immagini a colori di alta qualità di vari oggetti, fornendo un dataset ben strutturato per attività di image classification. Ecco alcuni esempi di immagini tratte dal dataset:

L'esempio mostra la varietà e la complessità degli oggetti nel dataset Caltech-101, sottolineando l'importanza di un dataset diversificato per l'addestramento di modelli di riconoscimento di oggetti robusti.

Link to this sectionCitazioni e riconoscimenti#

Se utilizzi il dataset Caltech-101 nel tuo lavoro di ricerca o sviluppo, ti preghiamo di citare il seguente articolo:

@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}
}

Desideriamo ringraziare Li Fei-Fei, Rob Fergus e Pietro Perona per aver creato e mantenuto il dataset Caltech-101 come una risorsa preziosa per la comunità di ricerca di machine learning e computer vision. Per ulteriori informazioni sul dataset Caltech-101 e sui suoi creatori, visita il sito web del dataset Caltech-101.

Link to this sectionFAQ#

Link to this sectionPer cosa viene utilizzato il dataset Caltech-101 nel machine learning?#

Il dataset Caltech-101 è ampiamente utilizzato nel machine learning per attività di riconoscimento di oggetti. Contiene circa 9.000 immagini suddivise in 101 categorie, fornendo un benchmark impegnativo per la valutazione degli algoritmi di riconoscimento di oggetti. I ricercatori lo sfruttano per addestrare e testare modelli, in particolare Neural Networks convoluzionali (CNN) e Support Vector Machines (SVM), nella computer vision.

Link to this sectionCome posso addestrare un modello YOLO di Ultralytics sul dataset Caltech-101?#

Per addestrare un modello YOLO di Ultralytics sul dataset Caltech-101, puoi utilizzare gli snippet di codice forniti. Ad esempio, per addestrare per 100 epoche:

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="caltech101", epochs=100, imgsz=416)

Per argomenti e opzioni più dettagliati, fai riferimento alla pagina Training del modello.

Link to this sectionQuali sono le caratteristiche principali del dataset Caltech-101?#

Il dataset Caltech-101 include:

• Circa 9.000 immagini a colori suddivise in 101 categorie.
• Categorie che coprono una vasta gamma di oggetti, inclusi animali, veicoli e articoli per la casa.
• Numero variabile di immagini per categoria, solitamente tra 40 e 800.
• Dimensioni delle immagini variabili, con la maggior parte a risoluzione media.

Queste caratteristiche lo rendono una scelta eccellente per l'addestramento e la valutazione di modelli di riconoscimento di oggetti nel machine learning e nella computer vision.

Link to this sectionPerché dovrei citare il dataset Caltech-101 nella mia ricerca?#

Citare il dataset Caltech-101 nella tua ricerca riconosce i contributi dei creatori e fornisce un riferimento per altri che potrebbero utilizzare il dataset. La citazione consigliata è:

@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}
}

Citare aiuta a mantenere l'integrità del lavoro accademico e assiste i colleghi nel trovare la risorsa originale.

Link to this sectionPosso utilizzare Ultralytics Platform per addestrare modelli sul dataset Caltech-101?#

Sì, puoi utilizzare Ultralytics Platform per addestrare modelli sul dataset Caltech-101. Ultralytics Platform fornisce una piattaforma intuitiva per gestire dataset, addestrare modelli e distribuirli senza una programmazione complessa. Per una guida dettagliata, fai riferimento al post sul blog come addestrare i tuoi modelli personalizzati con Ultralytics Platform.