Set di dati Caltech-256

Il dataset Caltech-256 è un'ampia raccolta di immagini utilizzate per compiti di classificazione di oggetti. Contiene circa 30.000 immagini suddivise in 257 categorie (256 categorie di oggetti e 1 categoria di sfondo). Le immagini sono curate e annotate con cura per fornire un benchmark impegnativo e diversificato per gli algoritmi di riconoscimento degli oggetti.

Guarda: How to Train Classificazione delle immagini Model using Caltech-256 Dataset with Ultralytics HUB

Caratteristiche principali

• Il dataset Caltech-256 comprende circa 30.000 immagini a colori suddivise in 257 categorie.
• Ogni categoria contiene un minimo di 80 immagini.
• Le categorie comprendono un'ampia varietà di oggetti del mondo reale, tra cui animali, veicoli, oggetti domestici e persone.
• Le immagini hanno dimensioni e risoluzioni variabili.
• Il Caltech-256 è ampiamente utilizzato per l'addestramento e il test nel campo dell'apprendimento automatico, in particolare per i compiti di riconoscimento degli oggetti.

Struttura del set di dati

Come Caltech-101, il dataset Caltech-256 non prevede una suddivisione formale tra set di allenamento e set di test. Gli utenti in genere creano le proprie suddivisioni in base alle loro esigenze specifiche. Una pratica comune è quella di utilizzare un sottoinsieme casuale di immagini per la formazione e le restanti immagini per i test.

Applicazioni

The Caltech-256 dataset is extensively used for training and evaluating deep learning models in object recognition tasks, such as Convolutional Neural Networks (CNNs), Support Vector Machines (SVMs), and various other machine learning algorithms. Its diverse set of categories and high-quality images make it an invaluable dataset for research and development in the field of machine learning and computer vision.

Utilizzo

Per addestrare un modello YOLO sul dataset Caltech-256 per 100 epoch, puoi utilizzare i seguenti frammenti di codice. Per un elenco completo degli argomenti disponibili, consulta la pagina di addestramento del modello.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n-cls.pt")  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data="caltech256", epochs=100, imgsz=416)

# Start training from a pretrained *.pt model
yolo classify train data=caltech256 model=yolo11n-cls.pt epochs=100 imgsz=416

Immagini di esempio e annotazioni

Il dataset Caltech-256 contiene immagini a colori di alta qualità di vari oggetti, fornendo un set di dati completo per i compiti di riconoscimento degli oggetti. Ecco alcuni esempi di immagini tratte dal dataset(credito):

L'esempio mostra la diversità e la complessità degli oggetti presenti nel dataset Caltech-256, sottolineando l'importanza di un dataset vario per l'addestramento di modelli robusti di riconoscimento degli oggetti.

Citazioni e ringraziamenti

Se utilizzi il dataset Caltech-256 nel tuo lavoro di ricerca o sviluppo, cita il seguente documento:

@article{griffin2007caltech,
         title={Caltech-256 object category dataset},
         author={Griffin, Gregory and Holub, Alex and Perona, Pietro},
         year={2007}
}

We would like to acknowledge Gregory Griffin, Alex Holub, and Pietro Perona for creating and maintaining the Caltech-256 dataset as a valuable resource for the machine learning and computer vision research community. For more information about the

Per conoscere il dataset Caltech-256 e i suoi creatori, visita il sito web del dataset Caltech-256.

DOMANDE FREQUENTI

Cos'è il dataset Caltech-256 e perché è importante per l'apprendimento automatico?

Il dataset Caltech-256 è un dataset di immagini di grandi dimensioni utilizzato principalmente per compiti di classificazione di oggetti nell'apprendimento automatico e nella computer vision. Si tratta di circa 30.000 immagini a colori suddivise in 257 categorie, che coprono un'ampia gamma di oggetti del mondo reale. La varietà e l'alta qualità delle immagini rendono il dataset un eccellente punto di riferimento per la valutazione degli algoritmi di riconoscimento degli oggetti, fondamentale per lo sviluppo di modelli di apprendimento automatico robusti.

Come posso addestrare un modello YOLO sul dataset Caltech-256 utilizzando Python o CLI?

To train a YOLO model on the Caltech-256 dataset for 100 epochs, you can use the following code snippets. Refer to the model Training page for additional options.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n-cls.pt")  # load a pretrained model

# Train the model
results = model.train(data="caltech256", epochs=100, imgsz=416)

# Start training from a pretrained *.pt model
yolo classify train data=caltech256 model=yolo11n-cls.pt epochs=100 imgsz=416

Quali sono i casi d'uso più comuni del dataset Caltech-256?

Il dataset Caltech-256 è ampiamente utilizzato per diversi compiti di riconoscimento di oggetti, come ad esempio:

• Training Convolutional Neural Networks (CNNs)
• Evaluating the performance of Support Vector Machines (SVMs)
• Benchmarking di nuovi algoritmi di apprendimento profondo
• Developing object detection models using frameworks like Ultralytics YOLO

La sua varietà e le sue annotazioni complete lo rendono ideale per la ricerca e lo sviluppo nel campo dell'apprendimento automatico e della visione artificiale.

Come è strutturato e suddiviso il dataset Caltech-256 per la formazione e il test?

Il dataset Caltech-256 non viene fornito con una suddivisione predefinita per la formazione e il test. Gli utenti in genere creano le proprie suddivisioni in base alle loro esigenze specifiche. Un approccio comune è quello di selezionare in modo casuale un sottoinsieme di immagini per l'addestramento e utilizzare le immagini rimanenti per i test. Questa flessibilità consente agli utenti di adattare il set di dati alle esigenze specifiche dei loro progetti e alle loro configurazioni sperimentali.

Perché dovrei usare Ultralytics YOLO per addestrare i modelli sul dataset Caltech-256?

Ultralytics YOLO offrono diversi vantaggi per l'addestramento sul set di dati Caltech-256:

• Alta precisione: i modelli di YOLO sono noti per le loro prestazioni all'avanguardia nei compiti di rilevamento degli oggetti.
• Velocità: offrono capacità di inferenza in tempo reale, rendendole adatte ad applicazioni che richiedono previsioni rapide.
• Facilità d'uso: Con Ultralytics HUB, gli utenti possono addestrare, convalidare e distribuire i modelli senza dover ricorrere a un'intensa attività di codifica.
• Modelli pre-addestrati: Partendo da modelli preaddestrati, come yolo11n-cls.pt, can significantly reduce training time and improve model accuracy.

Per maggiori dettagli, esplora la nostra guida completa alla formazione.

📅 Created 11 months ago ✏️ Updated 22 days ago

Commenti