Dataset Caltech-256#
Il dataset Caltech-256 è un classico benchmark di classificazione delle immagini, con 30.607 immagini distribuite in 256 categorie di oggetti più una classe di sfondo. Ogni categoria contiene almeno 80 immagini di oggetti del mondo reale — animali, veicoli, oggetti domestici e persone — e rappresenta un’evoluzione più ampia e impegnativa di Caltech-101 per i modelli di riconoscimento degli oggetti.
Esplora Caltech-256 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-256 con Ultralytics YOLO26
Caltech-256 non include una suddivisione predefinita tra addestramento e convalida. I comandi di addestramento qui sotto effettuano automaticamente una suddivisione 80/20, quindi non è necessaria alcuna preparazione manuale.
Funzionalità principali#
- Caltech-256 contiene 30.607 immagini a colori distribuite in 256 categorie di oggetti più una classe di sfondo
257.clutter(257 cartelle di classi in totale). - Le categorie comprendono un'ampia varietà di oggetti del mondo reale, tra cui animali, veicoli, oggetti domestici e persone.
- Ogni categoria contiene almeno 80 immagini e la più numerosa ne conta circa 800; le dimensioni delle classi sono quindi sbilanciate.
- Le immagini hanno dimensioni e risoluzioni variabili.
- Caltech-256 è ampiamente utilizzato per confrontare algoritmi di classificazione delle immagini e riconoscimento degli oggetti.
Struttura del dataset#
Caltech-256 è distribuito in 257 cartelle — una per ogni classe, che coprono 256 categorie di oggetti più una classe di sfondo 257.clutter — senza una suddivisione predefinita tra addestramento e convalida. Quando avvii l’addestramento, Ultralytics suddivide automaticamente le immagini, così i modelli vengono addestrati su tutte e 257 le classi senza alcuna configurazione manuale:
- Classi: 257 (256 categorie di oggetti + 1 classe di sfondo)
- Immagini totali: 30.607
- Suddivisione addestramento/convalida: automatica, 80% / 20% (≈24.385 per l’addestramento, ≈6.222 per la convalida)
- Immagini per classe: almeno 80 (distribuzione sbilanciata, fino a circa 800)
Applicazioni#
Il dataset Caltech-256 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’elevato numero di categorie e le immagini di alta qualità 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-256 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="caltech256", epochs=100, imgsz=416)Immagini di esempio e annotazioni#
Il dataset Caltech-256 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 (fonte):
Gli esempi mostrano la varietà e la complessità degli oggetti nel dataset Caltech-256, evidenziando l’importanza di un dataset variegato per addestrare modelli robusti di riconoscimento degli oggetti.
Citazioni e ringraziamenti#
Se utilizzi il dataset Caltech-256 nelle tue attività di ricerca o sviluppo, cita il seguente articolo:
@article{griffin2007caltech,
title={Caltech-256 object category dataset},
author={Griffin, Gregory and Holub, Alex and Perona, Pietro},
year={2007}
}Desideriamo ringraziare Gregory Griffin, Alex Holub e Pietro Perona per aver creato e mantenuto il dataset Caltech-256, una risorsa preziosa per la comunità di ricerca nel campo del machine learning e della visione artificiale. Per ulteriori informazioni sul dataset Caltech-256 e sui suoi creatori, visita il sito web del dataset Caltech-256.
Domande frequenti#
Il dataset Caltech-256 è ampiamente utilizzato per addestrare e confrontare modelli di classificazione delle immagini e riconoscimento degli oggetti. Contiene 30.607 immagini distribuite in 256 categorie di oggetti più una classe di sfondo e offre un benchmark più ampio e impegnativo di Caltech-101 per algoritmi come le reti neurali convoluzionali (CNNs) e le macchine a vettori di supporto (SVMs).
Per addestrare un modello Ultralytics YOLO su Caltech-256, 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="caltech256", epochs=100, imgsz=416)Caltech-256 contiene 256 categorie di oggetti più una classe di sfondo
257.clutter, per un totale di 257 cartelle di classi e 30.607 immagini. Quando addestri con Ultralytics, il modello apprende tutte e 257 le classi. Ogni categoria contiene almeno 80 immagini, ma le dimensioni delle classi sono sbilanciate: la più numerosa ne conta circa 800.Caltech-256 non ha una suddivisione predefinita. Al primo addestramento, Ultralytics lo suddivide automaticamente in 80% per l’addestramento e 20% per la convalida — circa 24.385 immagini di addestramento e 6.222 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-256 nel cloud; puoi scoprire altre opzioni nella nostra panoramica dei dataset di classificazione.