Caltech-101データセット#

9,144

Caltech-101

ultralytics

publicClassify

Caltech-101 is Li Fei-Fei, Rob Fergus, and Pietro Perona's classic 2004 image-classification benchmark. It spans 101 object categories plus background, with strong variation in object shape and relatively clean image composition for rapid recognition experiments.

102 classes194.3 MBSep 2, 2026

BACKGROUND_GoogleFacesFaces_easyLeopards+98

image-classificationcaltech101object-recognition+1

Caltech-101データセットは、101種類の物体カテゴリと1つの背景クラスにまたがる9,144枚の画像を収録した、定番の画像分類ベンチマークです。各カテゴリには、動物、乗り物、家庭用品、人など、実世界の物体の画像が約40～800枚含まれており、コンパクトながら難易度の高い物体認識モデルのベンチマークとなっています。

Ultralytics Platform上のCaltech-101でサンプルをプレビューし、データセット統計を確認して、トレーニング用にクローンを作成できます。

主な機能#

• Caltech-101には、101種類の物体カテゴリと1つのBACKGROUND_Googleクラス（クラスフォルダーは合計102個）にわたるカラー画像が9,144枚含まれています。
• カテゴリは、動物、乗り物、家庭用品、人など、実世界のさまざまな物体を網羅しています。
• 各カテゴリの画像数は約40～800枚であるため、クラス間でデータ数に偏りがあります。
• 画像サイズはさまざまで、多くはおよそ300x200ピクセル（中程度の解像度）です。
• Caltech-101は、画像分類や物体認識アルゴリズムのベンチマークに広く使用されています。

データセットの構成#

Caltech-101は102個のフォルダーで配布されます。101種類の物体カテゴリに加えてBACKGROUND_Googleクラスがあり、クラスごとに1つのフォルダーが用意されています。事前定義されたトレーニング/検証分割はありません。トレーニングを開始すると、Ultralyticsが画像を自動で分割するため、手動で設定しなくてもモデルを全102クラスでトレーニングできます。

• クラス数: 102（物体カテゴリ101 + 背景1）
• 画像の合計: 9,144枚
• トレーニング/検証の分割: 自動で80% / 20%（トレーニング約7,280枚、検証約1,864枚）
• クラスあたりの画像数: 約40～800枚（不均衡）

用途#

Caltech-101は、画像分類モデルや物体認識モデルのトレーニングと評価に広く使用されています。対象には、畳み込みニューラルネットワーク（CNNs）やサポートベクターマシン（SVMs）などがあります。幅広いカテゴリを網羅し、ラベル付き画像が整然としているため、機械学習やコンピュータービジョンの研究やプロトタイピングで人気のベンチマークとなっています。

使用方法#

Caltech-101でYOLOモデルをトレーニングするには、画像サイズを416に設定し、100エポック実行します。使用できる引数の全一覧については、トレーニングページと画像分類タスクガイドをご覧ください。

from ultralytics import YOLO

# モデルを読み込む
model = YOLO("yolo26n-cls.pt")  # 事前トレーニング済みモデルを読み込みます（トレーニングにはこちらを推奨します）

# モデルをトレーニングする
results = model.train(data="caltech101", epochs=100, imgsz=416)

サンプル画像とアノテーション#

Caltech-101データセットには、さまざまな物体の高品質なカラー画像が含まれており、画像分類タスクに適した、よく整理されたデータセットです。データセット内の画像例を以下に示します。

サンプルからは、Caltech-101のカテゴリの多様性と、画像が自然に中央配置される典型的な構図がわかります。そのため、堅牢な物体認識モデルのトレーニングを始めるのに適した、整然としたデータセットです。

引用と謝辞#

Caltech-101データセットを研究または開発に使用する場合は、以下の論文を引用してください。

@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}
}

貴重なリソースとしてCaltech-101データセットを作成・管理されたLi Fei-Fei氏、Rob Fergus氏、Pietro Perona氏に感謝いたします。Caltech-101データセットと作成者の詳細については、Caltech-101データセットのウェブサイトをご覧ください。

よくある質問#