YOLO Vision 2026:
CC BY 4.0

Caltech-256 データセット#

Caltech-256 データセットは、256のオブジェクトカテゴリと1つの背景クラスにわたる30,607枚の画像を備えた、クラシックな image classification ベンチマークです。各カテゴリには、動物、乗り物、家庭用品、人物などの現実世界のオブジェクトの画像が少なくとも80枚含まれており、オブジェクト認識モデル向けとして Caltech-101 よりも大規模で挑戦的な後継となっています。



Watch: How to Train Image Classification Model using Caltech-256 Dataset with Ultralytics YOLO26
データの自動分割

Caltech-256には、あらかじめ定義された学習用／検証用の分割はありません。以下の学習コマンドでは、自動的に80%を学習用、20%を検証用に分割するため、手動で準備する必要はありません。

主な特徴#

  • Caltech-256には、256のオブジェクトカテゴリと1つの 257.clutter 背景クラス（合計257のクラスフォルダ）にわたる30,607枚のカラー画像が含まれています。
  • カテゴリは、動物、乗り物、日用品、人物など、現実世界の幅広いオブジェクトにわたっています。
  • 各カテゴリには少なくとも80枚の画像が含まれており、最大のカテゴリでは約800枚に達するため、クラスサイズは不均衡です。
  • 画像サイズおよび解像度は一定ではありません。
  • Caltech-256は、image classification やオブジェクト認識アルゴリズムのベンチマークとして広く使用されています。

データセットの構造#

Caltech-256は257のフォルダとして配布されています（クラスごとに1つ、256のオブジェクトカテゴリと 257.clutter 背景クラスをカバー）。事前定義された訓練/検証の分割はありません。トレーニングを開始すると、Ultralyticsが自動的に画像を分割するため、手動の設定なしでモデルが257すべてのクラスでトレーニングされます。

  • クラス: 257 (256のオブジェクトカテゴリ + 1つの背景クラス)
  • 合計画像数: 30,607
  • 学習用/検証用の分割: 自動で80% / 20% (学習用 約24,385枚、検証用 約6,222枚)
  • クラスごとの画像数: 少なくとも80枚 (不均衡であり、最大で約800枚)

アプリケーション#

Caltech-256 データセットは、Convolutional Neural Networks (CNN) や Support Vector Machines (SVM) を含む、image classification およびオブジェクト認識モデルの訓練と評価に広く使用されています。豊富なカテゴリ数と高品質な画像により、machine learning や computer vision の研究およびプロトタイピングで人気のあるベンチマークとなっています。

使用方法#

Caltech-256上で416の画像サイズで100 epochs にわたりYOLOモデルをトレーニングします。利用可能な引数の完全なリストについては、Training ページおよび image classification タスクガイドを参照してください。

学習例
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)

サンプル画像とアノテーション#

Caltech-256 データセットには、さまざまなオブジェクトの高品質なカラー画像が含まれており、image classification タスクに向けたよく構造化されたデータセットを提供します。以下は、データセットからの画像の例です（credit）：

Caltech-256 image classification dataset samples

これらのサンプルは、Caltech-256データセットに含まれるオブジェクトの多様性と複雑さを示しており、堅牢なオブジェクト認識モデルを学習するための多様なデータセットの価値を裏付けています。

引用と謝辞#

研究や開発においてCaltech-256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。

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

machine learning およびコンピュータービジョン研究コミュニティにとって価値あるリソースとしてCaltech-256 データセットを作成および維持してくださったGregory Griffin氏、Alex Holub氏、およびPietro Perona氏に謝意を表します。Caltech-256 データセットとその作成者に関する詳細については、Caltech-256 dataset website をご覧ください。

よくある質問 (FAQ)#

  • Caltech-256 データセットは、image classification およびオブジェクト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のオブジェクト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、Convolutional Neural Networks (CNN) やサポートベクターマシン (SVM) などのアルゴリズムに対して、Caltech-101よりも大規模で挑戦的なベンチマークを提供します。

  • Caltech-256上で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的にダウンロードされます。引数の完全なリストについては、モデルの Training ページを参照してください。

    学習例
    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)

  • Caltech-256には、256のオブジェクトカテゴリと1つの 257.clutter 背景クラスが含まれており、合計257のクラスフォルダと30,607枚の画像があります。Ultralyticsでトレーニングを行うと、モデルは257すべてのクラスを学習します。各カテゴリには少なくとも80枚の画像が含まれていますが、クラスサイズは不均衡であり、最大のものでは約800枚の画像が保持されています。

  • Caltech-256には事前定義された分割はありません。初めてトレーニングを行う際、Ultralyticsは自動的に80%の訓練と20%の検証に分割します（約24,385枚の訓練画像と6,222枚の検証画像）。そのため、手動で分割を作成する必要はありません。自分で分割を制御するには、トレーニングの前に画像を train/ および val/ フォルダに整理してください。

  • はい。Ultralytics Platform を使用すると、大規模なコーディングなしでデータセットの管理、image classification モデルのトレーニング、およびそのデプロイを行うことができます。これはクラウドでCaltech-256の実験を実行する便利な方法であり、classification datasets overview でさらに多くのオプションを探索できます。

コントリビューター
GLglenn-jocher13RIRizwanMunawar3RAraimbekovm2MAMatthewNoyce1JKjk4e1

コメント