Link to this sectionDataset Caltech-101#

Il dataset Caltech-101 è un classico benchmark di image classification composto da 9.144 immagini suddivise in 101 categorie di oggetti più una classe di sfondo. Ogni categoria contiene circa da 40 a 800 immagini di oggetti del mondo reale (animali, veicoli, oggetti domestici e persone), il che lo rende un benchmark compatto ma impegnativo per i modelli di riconoscimento oggetti.

Link to this sectionCaratteristiche principali#

• Caltech-101 contiene 9.144 immagini a colori suddivise in 101 categorie di oggetti più una classe BACKGROUND_Google (102 cartelle di classe in totale).
• Le categorie coprono un'ampia varietà di oggetti del mondo reale, inclusi animali, veicoli, oggetti domestici e persone.
• Ogni categoria contiene circa da 40 a 800 immagini, pertanto le dimensioni delle classi sono sbilanciate.
• Le immagini sono di dimensioni variabili, per la maggior parte all'incirca 300x200 pixel (risoluzione media).
• Caltech-101 è ampiamente utilizzato per il benchmarking di algoritmi di image classification e riconoscimento oggetti.

Link to this sectionStruttura del dataset#

Caltech-101 è distribuito in 102 cartelle (una per classe, che coprono 101 categorie di oggetti più una classe BACKGROUND_Google) senza una suddivisione predefinita train/validation. Quando avvii il training, Ultralytics partiziona automaticamente le immagini in modo che i modelli vengano addestrati su tutte le 102 classi senza alcuna configurazione manuale:

• Classi: 102 (101 categorie di oggetti + 1 sfondo)
• Immagini totali: 9.144
• Suddivisione train/validation: automatica 80% / 20% (≈7.280 train, ≈1.864 validation)
• Immagini per classe: circa da 40 a 800 (sbilanciate)

Link to this sectionApplicazioni#

Caltech-101 è ampiamente utilizzato per addestrare e valutare modelli di image classification e riconoscimento oggetti, inclusi Convolutional Neural Networks (CNN) e Support Vector Machines (SVM). La sua ampia copertura di categorie e le immagini pulite ed etichettate lo rendono un benchmark popolare per la ricerca e la prototipazione nel machine learning e nella computer vision.

Link to this sectionUtilizzo#

Addestra un modello YOLO su Caltech-101 per 100 epochs con una dimensione dell'immagine di 416. Per l'elenco completo degli argomenti disponibili, consulta la pagina Training e la guida al task image classification.

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:

Gli esempi mostrano la varietà delle categorie e l'inquadratura naturale e centrata tipica di Caltech-101, il che lo rende un punto di partenza pulito per addestrare modelli di riconoscimento 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 per addestrare e confrontare modelli di image classification e riconoscimento oggetti. Contiene 9.144 immagini suddivise in 101 categorie di oggetti più una classe di sfondo, fornendo un benchmark impegnativo per valutare algoritmi come Convolutional Neural Networks (CNN) e Support Vector Machines (SVM).

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

Per addestrare un modello Ultralytics YOLO su Caltech-101, usa i frammenti di codice riportati di seguito. Il dataset viene scaricato automaticamente al primo utilizzo. Per un elenco completo degli argomenti, consulta la pagina del modello Training.

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 sectionQuante classi ha il dataset Caltech-101?#

Caltech-101 contiene 101 categorie di oggetti più una classe BACKGROUND_Google, per un totale di 102 cartelle di classe e 9.144 immagini. Quando esegui il training con Ultralytics, il modello apprende tutte le 102 classi. Le dimensioni delle categorie sono sbilanciate e variano da circa 40 a 800 immagini ciascuna.

Link to this sectionCome viene suddiviso il dataset Caltech-101 in set di addestramento e validazione?#

Caltech-101 non ha una suddivisione predefinita. La prima volta che esegui il training, Ultralytics lo divide automaticamente in 80% training / 20% validazione (circa 7.280 immagini di training e 1.864 di validazione), quindi non è necessario creare le suddivisioni manualmente. Per controllare tu stesso la suddivisione, organizza le immagini nelle cartelle train/ e val/ prima del training.

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

Sì. Ultralytics Platform ti consente di gestire i dataset, addestrare modelli di image classification e implementarli senza dover scrivere molto codice. È un modo pratico per eseguire esperimenti su Caltech-101 nel cloud e puoi esplorare ulteriori opzioni nella nostra panoramica sui dataset di classificazione.