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枚の画像で構成された、代表的な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、現実世界の物体の画像が約40～800枚含まれており、コンパクトでありながら難易度の高い物体認識モデル向けのベンチマークとなっています。

Ultralytics Platform上のCaltech-101でサンプルのプレビュー、データセット統計の確認、トレーニング用のクローン作成を行えます。

主な特徴#

• Caltech-101には、101の物体カテゴリと1つのBACKGROUND_Googleクラスにまたがる9,144枚のカラー画像が含まれています（合計102個のクラスフォルダー）。
• カテゴリには、動物、乗り物、家庭用品、人など、さまざまな現実世界の物体が含まれています。
• 各カテゴリには約40～800枚の画像が含まれているため、クラスサイズには偏りがあります。
• 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、画像分類および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、101の物体カテゴリと1つのBACKGROUND_Googleクラスを対象とする、クラスごとに1つずつ合計102個のフォルダーとして配布されており、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が画像を自動的に分割するため、手動で設定しなくてもモデルは102クラスすべてでトレーニングされます。

• クラス: 102（物体カテゴリ101 + 背景1）
• 合計画像数: 9,144
• トレーニング／検証分割: 80%／20%の自動分割（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）

アプリケーション#

Caltech-101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）などの画像分類および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。幅広いカテゴリを網羅し、ラベル付きのクリーンな画像で構成されているため、機械学習やコンピュータビジョンの研究およびプロトタイピングで人気のベンチマークです。

使用方法#

Caltech-101で、画像サイズ416、100エポックのYOLOモデルをトレーニングします。利用可能な引数の一覧については、トレーニングページと画像分類タスクガイドを参照してください。

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="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構造化されたデータセットを提供します。データセットの画像例を以下に示します。

サンプルには、カテゴリの多様性と、Caltech-101に典型的な自然で中央寄せの構図が示されています。そのため、堅牢な物体認識モデルのトレーニングに適した、クリーンな出発点となります。

引用と謝辞#

研究または開発でCaltech-101データセットを使用する場合は、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}
}

機械学習およびコンピュータビジョン研究コミュニティにとって貴重なリソースであるCaltech-101データセットを作成・維持したLi Fei-Fei、Rob Fergus、Pietro Peronaに謝意を表します。Caltech-101データセットとその作成者の詳細については、Caltech-101データセットのWebサイトをご覧ください。

FAQ#