Dataset Caltech-256#
Il set di dati Caltech-256 è un classico benchmark di image classification di 30.607 immagini che coprono 256 categorie di oggetti più una classe di sfondo. Ciascuna categoria contiene almeno 80 immagini di oggetti reali (animali, veicoli, articoli per la casa e persone), rendendolo un successore più ampio e impegnativo di Caltech-101 per i modelli di riconoscimento degli oggetti.
Esplora Caltech-256 on Ultralytics Platform per visualizzare in anteprima i campioni, ispezionare le statistiche del set di dati e clonarlo per l'addestramento.
Caltech-256 viene fornito senza una suddivisione predefinita tra training e validation. I comandi di training riportati di seguito lo suddividono automaticamente in 80% per il training e 20% per la validation, quindi non è necessaria alcuna preparazione manuale.
Caratteristiche principali#
- Caltech-256 contiene 30.607 immagini a colori suddivise in 256 categorie di oggetti più una classe di sfondo
257.clutter(257 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 almeno 80 immagini, con la più numerosa che arriva fino a circa 800, pertanto le dimensioni delle classi sono sbilanciate.
- Le immagini hanno dimensioni e risoluzioni variabili.
- Caltech-256 è ampiamente utilizzato per eseguire il benchmark di algoritmi di image classification e riconoscimento degli oggetti.
Struttura del dataset#
Caltech-256 è distribuito in 257 cartelle (una per classe, che coprono 256 categorie di oggetti più una classe di sfondo 257.clutter), senza una suddivisione predefinita di training/validazione. Quando avvii l'addestramento, Ultralytics partiziona automaticamente le immagini in modo che i modelli si addestrino su tutte le 257 classi senza alcuna configurazione manuale:
- Classi: 257 (256 categorie di oggetti + 1 sfondo)
- Immagini totali: 30.607
- Suddivisione training/validation: automatica 80% / 20% (≈24.385 training, ≈6.222 validation)
- Immagini per classe: almeno 80 (sbilanciato, fino a circa 800)
Applicazioni#
Il set di dati Caltech-256 è ampiamente utilizzato per addestrare e valutare modelli di image classification e riconoscimento degli oggetti, inclusi Convolutional Neural Networks (CNN) e Support Vector Machines (SVM). Il suo elevato numero di categorie e le immagini di alta qualità lo rendono 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-256 per 100 epochs a una dimensione d'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="caltech256", epochs=100, imgsz=416)Esempi di immagini e annotazioni#
Il set di dati Caltech-256 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 (credit):
I campioni mostrano la diversità e la complessità degli oggetti nel dataset Caltech-256, sottolineando il valore di un set di dati variegato per l'addestramento di modelli robusti di riconoscimento degli oggetti.
Citazioni e riconoscimenti#
Se utilizzi il dataset Caltech-256 nel tuo lavoro di ricerca o sviluppo, ti preghiamo di citare il seguente articolo:
@article{griffin2007caltech,
title={Caltech-256 object category dataset},
author={Griffin, Gregory and Holub, Alex and Perona, Pietro},
year={2007}
}Ringraziamo Gregory Griffin, Alex Holub e Pietro Perona per aver creato e mantenuto il set di dati Caltech-256 come preziosa risorsa per la comunità di ricerca di machine learning e computer vision. Per ulteriori informazioni sul set di dati Caltech-256 e sui suoi creatori, visita il Caltech-256 dataset website.
FAQ#
Il set di dati Caltech-256 è ampiamente utilizzato per addestrare ed eseguire il benchmark di modelli di image classification e riconoscimento degli oggetti. Contiene 30.607 immagini in 256 categorie di oggetti più una classe di sfondo, fornendo un benchmark più ampio e impegnativo rispetto a Caltech-101 per algoritmi come Convolutional Neural Networks (CNN) e Support Vector Machines (SVM).
Per addestrare un modello Ultralytics YOLO su Caltech-256, 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 di 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="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 ti addestri con Ultralytics, il modello impara tutte le 257 classi. Ciascuna categoria contiene almeno 80 immagini, ma le dimensioni delle classi sono sbilanciate, e la più grande arriva a contenere fino a circa 800 immagini.Caltech-256 non ha una suddivisione predefinita. La prima volta che ti addestri, Ultralytics lo divide automaticamente in 80% training / 20% validazione (circa 24.385 immagini di training e 6.222 di validazione), quindi non devi creare le suddivisioni manualmente. Per controllare tu stesso la suddivisione, organizza le immagini nelle cartelle
train/eval/prima dell'addestramento.Sì. Ultralytics Platform ti consente di gestire set di dati, addestrare modelli di image classification e distribuirli senza una programmazione estesa. È un modo comodo per eseguire esperimenti su Caltech-256 nel cloud, e puoi esplorare ulteriori opzioni nella nostra panoramica sui set di dati di classificazione.