Dataset Caltech-101#
Il set di dati Caltech-101 è un classico benchmark di image classification di 9.144 immagini che coprono 101 categorie di oggetti più una classe di sfondo. Ciascuna categoria contiene circa da 40 a 800 immagini di oggetti reali (animali, veicoli, articoli per la casa e persone), rendendolo un benchmark compatto ma impegnativo per i modelli di riconoscimento degli oggetti.
Esplora Caltech-101 su Ultralytics Platform per visualizzare in anteprima i campioni, ispezionare le statistiche del dataset e clonarlo per l'addestramento.
Caltech-101 viene fornito senza una suddivisione predefinita train/validation. I comandi di training riportati di seguito lo suddividono automaticamente in 80% train / 20% validation, quindi non è necessaria alcuna preparazione manuale.
Caratteristiche principali#
- Caltech-101 contiene 9.144 immagini a colori suddivise in 101 categorie di oggetti più una classe
BACKGROUND_Google(102 cartelle di classi 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 degli oggetti.
Struttura del dataset#
Caltech-101 viene distribuito come 102 cartelle, una per classe, che coprono 101 categorie di oggetti più una classe BACKGROUND_Google, senza una suddivisione di training/validazione predefinita. Quando avvii il training, Ultralytics suddivide 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)
Applicazioni#
Caltech-101 è ampiamente utilizzato per addestrare e valutare modelli di image classification e riconoscimento degli oggetti, comprese le Convolutional Neural Networks (CNN) e le Support Vector Machines (SVM). La sua ampia copertura di categorie e le sue immagini pulite ed etichettate ne fanno un popolare benchmark per la ricerca e la prototipazione nel campo del machine learning e della computer vision.
Utilizzo#
Addestra un modello YOLO su Caltech-101 per 100 epochs a una dimensione dell'immagine di 416. Per l'elenco completo degli argomenti disponibili, consulta la pagina Training e la guida all'attività di 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)Esempi di immagini e annotazioni#
Il set di dati Caltech-101 contiene immagini a colori di alta qualità di vari oggetti, fornendo un set di dati ben strutturato per attività di image classification. Ecco alcuni esempi di immagini dal set di dati:
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.
Citazioni 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}
}Ringraziamo Li Fei-Fei, Rob Fergus e Pietro Perona per aver creato e mantenuto il set di dati Caltech-101 come risorsa preziosa per la comunità di ricerca di machine learning e computer vision. Per ulteriori informazioni sul set di dati Caltech-101 e sui suoi creatori, visita il sito web del set di dati Caltech-101.
FAQ#
Il set di dati Caltech-101 è ampiamente utilizzato per addestrare e confrontare modelli di image classification e riconoscimento degli oggetti. Contiene 9.144 immagini suddivise in 101 categorie di oggetti più una classe di sfondo, fornendo un benchmark impegnativo per la valutazione di algoritmi come le Neural Networks convoluzionali (CNN) e le Support Vector Machines (SVM).
Per addestrare un modello Ultralytics YOLO su Caltech-101, usa i frammenti di codice sottostanti. Il set di dati viene scaricato automaticamente al primo utilizzo. Per un elenco completo degli argomenti, consulta la pagina Training del modello.
Esempio di Addestramentofrom 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)Caltech-101 contiene 101 categorie di oggetti più una classe
BACKGROUND_Google, per un totale di 102 cartelle di classi e 9.144 immagini. Quando effettui 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.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 autonomamente la suddivisione, organizza le immagini nelle cartelle
train/eval/prima del training.Sì. Ultralytics Platform ti consente di gestire set di dati, addestrare modelli di image classification e distribuirli senza una codifica complessa. È un modo comodo per eseguire esperimenti con Caltech-101 nel cloud e puoi esplorare ulteriori opzioni nella nostra panoramica sui set di dati di classificazione.