Dataset Caltech-101#
Il dataset Caltech-101 è un benchmark classico di classificazione delle immagini, composto da 9.144 immagini che rappresentano 101 categorie di oggetti, oltre a una classe di sfondo. Ogni categoria contiene circa 40-800 immagini di oggetti del mondo reale — animali, veicoli, oggetti domestici e persone — ed è un benchmark compatto ma impegnativo per i modelli di riconoscimento degli oggetti.
Esplora Caltech-101 su Ultralytics Platform per visualizzare esempi, esaminare le statistiche del dataset e clonarlo per l'addestramento.
Guarda: Come addestrare un modello di Classificazione delle immagini usando il dataset Caltech-101 con la piattaforma Ultralytics
Caltech-101 non include una suddivisione predefinita tra addestramento e convalida. I comandi di addestramento qui sotto lo suddividono automaticamente, assegnando l'80% all'addestramento e il 20% alla convalida, quindi non serve alcuna preparazione manuale.
Funzionalità principali#
- Caltech-101 contiene 9.144 immagini a colori suddivise in 101 categorie di oggetti, oltre a una classe
BACKGROUND_Google(102 cartelle di classe in totale). - Le categorie comprendono un'ampia varietà di oggetti del mondo reale, tra cui animali, veicoli, oggetti domestici e persone.
- Ogni categoria contiene circa 40-800 immagini, quindi le dimensioni delle classi sono sbilanciate.
- Le immagini hanno dimensioni variabili, generalmente intorno a 300x200 pixel (risoluzione media).
- Caltech-101 è ampiamente utilizzato per valutare gli algoritmi di classificazione delle immagini e riconoscimento degli oggetti.
Struttura 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 tra addestramento e convalida. Quando avvii l'addestramento, Ultralytics suddivide automaticamente le immagini, consentendo ai modelli di addestrarsi su tutte le 102 classi senza alcuna configurazione manuale:
- Classi: 102 (101 categorie di oggetti + 1 sfondo)
- Immagini totali: 9.144
- Suddivisione addestramento/convalida: automatica, 80% / 20% (≈7.280 per l'addestramento, ≈1.864 per la convalida)
- Immagini per classe: circa 40–800 (distribuzione sbilanciata)
Applicazioni#
Caltech-101 è ampiamente utilizzato per addestrare e valutare modelli di classificazione delle immagini e riconoscimento degli oggetti, tra cui reti neurali convoluzionali (CNNs) e macchine a vettori di supporto (SVMs). L’ampia varietà di categorie e le immagini nitide ed etichettate lo rendono un benchmark molto usato nella ricerca e nella prototipazione nell’ambito del machine learning e della visione artificiale.
Utilizzo#
Addestra un modello YOLO su Caltech-101 per 100 epoche con una dimensione delle immagini di 416. Per l’elenco completo degli argomenti disponibili, consulta la pagina Training e la guida all’attività di classificazione delle immagini.
from ultralytics import YOLO
# Carica un modello
model = YOLO("yolo26n-cls.pt") # carica un modello preaddestrato (consigliato per l'addestramento)
# Addestra il modello
results = model.train(data="caltech101", epochs=100, imgsz=416)Immagini di esempio e annotazioni#
Il dataset Caltech-101 contiene immagini a colori di alta qualità di vari oggetti e offre un dataset ben strutturato per le attività di classificazione delle immagini. Ecco alcuni esempi di immagini del dataset:
Gli esempi mostrano la varietà delle categorie e l’inquadratura naturale e centrata tipica di Caltech-101, che lo rende un ottimo punto di partenza per addestrare modelli robusti di riconoscimento degli oggetti.
Citazioni e ringraziamenti#
Se utilizzi il dataset Caltech-101 nelle tue attività di ricerca o sviluppo, cita 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, una risorsa preziosa per la comunità di ricerca nel campo del machine learning e della visione artificiale. Per ulteriori informazioni sul dataset Caltech-101 e sui suoi creatori, visita il sito web del dataset Caltech-101.
Domande frequenti#
Il dataset Caltech-101 è ampiamente utilizzato per addestrare e confrontare modelli di classificazione delle immagini e riconoscimento degli oggetti. Contiene 9.144 immagini distribuite in 101 categorie di oggetti, più una classe di sfondo, e offre un benchmark impegnativo per valutare algoritmi come le reti neurali convoluzionali (CNNs) e le macchine a vettori di supporto (SVMs).
Per addestrare un modello Ultralytics YOLO su Caltech-101, usa gli snippet di codice qui sotto. Il dataset viene scaricato automaticamente al primo utilizzo. Per l’elenco completo degli argomenti, consulta la pagina Training del modello.
Esempio di addestramentofrom ultralytics import YOLO # Carica un modello model = YOLO("yolo26n-cls.pt") # carica un modello preaddestrato (consigliato per l'addestramento) # Addestra il modello results = model.train(data="caltech101", epochs=100, imgsz=416)Caltech-101 contiene 101 categorie di oggetti più una classe
BACKGROUND_Googledi sfondo, per un totale di 102 cartelle di classi e 9.144 immagini. Quando addestri con Ultralytics, il modello apprende tutte e 102 le classi. Le dimensioni delle categorie sono sbilanciate e variano da circa 40 a 800 immagini ciascuna.Caltech-101 non ha una suddivisione predefinita. Al primo addestramento, Ultralytics lo suddivide automaticamente in 80% per l’addestramento e 20% per la convalida — circa 7.280 immagini di addestramento e 1.864 di convalida — quindi non devi creare manualmente le suddivisioni. Per gestire autonomamente la suddivisione, prima dell’addestramento organizza le immagini nelle cartelle
train/eval/.Sì. Ultralytics Platform ti permette di gestire i dataset, addestrare modelli di classificazione delle immagini e distribuirli senza scrivere molto codice. È un modo pratico per eseguire esperimenti con Caltech-101 nel cloud; puoi scoprire altre opzioni nella nostra panoramica dei dataset di classificazione.