Caltech-256データセット#
Caltech-256データセットは、256の物体カテゴリと1つの背景クラスにわたる30,607枚の画像で構成される、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、実世界の物体画像が少なくとも80枚含まれています。物体認識モデル向けに、より規模が大きく難易度の高い後継データセットとしてCaltech-101を発展させたものです。
Ultralytics PlatformのCaltech-256では、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ができます。
Caltech-256には、あらかじめ定義されたトレーニング／検証分割はありません。以下のトレーニングコマンドで自動的にトレーニング用80%／検証用20%に分割されるため、手動で準備する必要はありません。
主な機能#
- Caltech-256には、256の物体カテゴリにわたる30,607枚のカラー画像と、1つの
257.clutter背景クラスが含まれています（クラスフォルダーは合計257個です）。 - 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。
- 各カテゴリには少なくとも80枚の画像が含まれ、最大のカテゴリでは約800枚に達するため、クラスごとの画像数は不均衡です。
- 画像のサイズと解像度はさまざまです。
- Caltech-256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-256は257個のフォルダーで構成され、256の物体カテゴリと1つの257.clutter背景クラスを含みます。トレーニング／検証分割はあらかじめ定義されていません。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257クラスすべてを対象にトレーニングされます。
- クラス数: 257（物体カテゴリ256＋背景1）
- 画像の合計数: 30,607
- トレーニング／検証分割: 80%／20%で自動分割（トレーニング約24,385枚、検証約6,222枚）
- クラスあたりの画像数: 最低80枚（不均衡で、最大約800枚）
用途#
Caltech-256データセットは、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。カテゴリ数が多く、画像の品質も高いため、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-256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="caltech256", epochs=100, imgsz=416)サンプル画像とアノテーション#
Caltech-256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（クレジット）。
サンプルからは、Caltech-256データセットに含まれる物体の多様性と複雑さがわかります。多様なデータセットが堅牢な物体認識モデルのトレーニングに有用であることを示しています。
引用と謝辞#
Caltech-256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{griffin2007caltech,
title={Caltech-256 object category dataset},
author={Griffin, Gregory and Holub, Alex and Perona, Pietro},
year={2007}
}貴重なリソースとしてCaltech-256データセットを作成・管理されたGregory Griffin氏、Alex Holub氏、Pietro Perona氏に感謝いたします。機械学習やコンピュータービジョンの研究コミュニティに向けたCaltech-256データセットと作成者の詳細については、Caltech-256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#
Caltech-256データセットは、画像分類モデルや物体認識モデルのトレーニングとベンチマークに広く使用されています。256の物体カテゴリと背景クラスにわたる30,607枚の画像が含まれており、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）などのアルゴリズムにとって、Caltech-101よりも規模が大きく難易度の高いベンチマークとなっています。
Caltech-256でUltralytics YOLOモデルをトレーニングするには、以下のコードスニペットを使用します。データセットは初回使用時に自動でダウンロードされます。引数の全一覧については、モデルのトレーニングページをご覧ください。
トレーニング例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="caltech256", epochs=100, imgsz=416)Caltech-256には256の物体カテゴリと1つの
257.clutter背景クラスがあり、クラスフォルダーは合計257個、画像は合計30,607枚です。Ultralyticsでトレーニングすると、モデルは257クラスすべてを学習します。各カテゴリには少なくとも80枚の画像が含まれますが、クラスごとの画像数は不均衡で、最大のカテゴリでは約800枚に達します。Caltech-256には、あらかじめ定義された分割はありません。初回のトレーニング時に、Ultralyticsがトレーニング用80%／検証用20%に自動分割します。画像数はトレーニング用が約24,385枚、検証用が約6,222枚なので、手動で分割を作成する必要はありません。分割を独自に管理するには、トレーニング前に画像を
train/フォルダーとval/フォルダーに整理してください。はい。Ultralytics Platformでは、データセットの管理、画像分類モデルのトレーニング、モデルのデプロイを、複雑なコーディングなしで行えます。Caltech-256の実験をクラウドで実行する便利な方法です。また、分類データセットの概要で、さらに多くの選択肢をご確認いただけます。