Ultralytics YOLO27:
CC BY 4.0

Caltech-101 데이터셋#

Caltech-101 데이터셋은 101개 객체 카테고리와 하나의 배경 클래스를 포함하는 9,144개 이미지로 구성된 대표적인 이미지 분류 벤치마크입니다. 각 카테고리에는 동물, 차량, 가정용품, 사람 등 실제 세계 객체의 이미지가 약 40~800개씩 포함되어 있어, 작지만 난도가 높은 객체 인식 모델 벤치마크로 활용됩니다.

Ultralytics Platform의 Caltech-101에서 샘플을 미리 보고, 데이터셋 통계를 확인하고, 학습을 위해 복제할 수 있습니다.



Watch: How to Train Image Classification Model using Caltech-101 Dataset with Ultralytics Platform
자동 데이터 분할

Caltech-101은 사전 정의된 학습/검증 분할 없이 제공됩니다. 아래 학습 명령은 데이터셋을 학습용 80%와 검증용 20%로 자동 분할하므로 수동으로 준비할 필요가 없습니다.

주요 기능#

  • Caltech-101에는 101개 객체 카테고리와 하나의 BACKGROUND_Google 클래스에 걸쳐 총 9,144개의 컬러 이미지가 포함되어 있습니다(총 102개 클래스 폴더).
  • 카테고리는 동물, 차량, 가정용품, 사람 등 다양한 실제 세계 객체를 포함합니다.
  • 각 카테고리에는 약 40~800개의 이미지가 포함되어 있으므로 클래스 크기가 불균형합니다.
  • 이미지 크기는 다양하며, 대부분 약 300x200픽셀(중간 해상도)입니다.
  • Caltech-101은 이미지 분류 및 객체 인식 알고리즘의 벤치마크에 널리 사용됩니다.

데이터셋 구조#

Caltech-101은 101개 객체 카테고리와 하나의 BACKGROUND_Google 클래스를 포함하여 클래스당 하나씩 총 102개 폴더로 배포되며, 사전 정의된 학습/검증 분할은 없습니다. 학습을 시작하면 Ultralytics가 이미지를 자동으로 분할하므로 수동 설정 없이 모델이 102개 전체 클래스에 대해 학습할 수 있습니다:

  • 클래스: 102개(객체 카테고리 101개 + 배경 1개)
  • 총 이미지 수: 9,144개
  • 학습/검증 분할: 80% / 20% 자동 분할(학습 약 7,280개, 검증 약 1,864개)
  • 클래스당 이미지 수: 약 40~800개(불균형)

응용 분야#

Caltech-101은 이미지 분류 및 객체 인식 모델을 학습하고 평가하는 데 널리 사용되며, 여기에는 합성곱 신경망 (CNNs)과 서포트 벡터 머신 (SVMs)이 포함됩니다. 폭넓은 카테고리 범위와 깔끔하게 라벨링된 이미지 덕분에 머신 러닝 및 컴퓨터 비전 연구와 프로토타이핑에 널리 사용되는 벤치마크입니다.

사용법#

이미지 크기 416으로 Caltech-101에서 100개의 에포크 동안 YOLO 모델을 학습합니다. 사용 가능한 전체 인수 목록은 학습 페이지와 이미지 분류 작업 가이드를 참조하십시오.

학습 예제
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)

샘플 이미지 및 주석#

Caltech-101 데이터셋에는 다양한 객체의 고품질 컬러 이미지가 포함되어 있어 이미지 분류 작업에 적합한 체계적인 데이터셋을 제공합니다. 다음은 데이터셋의 이미지 예시입니다:

Caltech-101 이미지 분류 데이터셋 샘플

샘플에는 다양한 카테고리와 Caltech-101에서 일반적인 자연스럽고 중앙에 배치된 구도가 잘 나타나 있어, 견고한 객체 인식 모델을 학습하기 위한 깔끔한 출발점이 됩니다.

인용 및 감사의 글#

연구 또는 개발 작업에서 Caltech-101 데이터셋을 사용하는 경우 다음 논문을 인용해 주십시오:

인용문
@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}
}

머신 러닝 및 컴퓨터 비전 연구 커뮤니티에 귀중한 자료인 Caltech-101 데이터셋을 만들고 유지 관리한 Li Fei-Fei, Rob Fergus, Pietro Perona에게 감사의 뜻을 전합니다. Caltech-101 데이터셋과 제작자에 대한 자세한 내용은 Caltech-101 데이터셋 웹사이트를 방문하십시오.

FAQ#

  • Caltech-101 데이터셋은 이미지 분류 및 객체 인식 모델을 학습하고 벤치마크하는 데 널리 사용됩니다. 101개 객체 카테고리와 하나의 배경 클래스로 구성된 9,144개의 이미지가 포함되어 있어, 합성곱 신경망 (CNNs) 및 서포트 벡터 머신(SVMs)과 같은 알고리즘을 평가하기 위한 난도 높은 벤치마크를 제공합니다.

  • Caltech-101에서 Ultralytics YOLO 모델을 학습하려면 아래 코드 스니펫을 사용하십시오. 데이터셋은 처음 사용할 때 자동으로 다운로드됩니다. 전체 인수 목록은 모델 학습 페이지를 참조하십시오.

    학습 예제
    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)

  • Caltech-101에는 101개 객체 카테고리와 하나의 BACKGROUND_Google 클래스가 포함되어 있어 총 102개 클래스 폴더와 9,144개 이미지로 구성됩니다. Ultralytics로 학습하면 모델은 102개 전체 클래스를 학습합니다. 카테고리별 이미지 수는 불균형하며, 각 카테고리마다 약 40~800개입니다.

  • Caltech-101에는 사전 정의된 분할이 없습니다. 처음 학습할 때 Ultralytics가 데이터셋을 학습용 80%와 검증용 20%로 자동 분할하므로, 학습 이미지 약 7,280개와 검증 이미지 약 1,864개로 나뉘며 수동으로 분할을 생성할 필요가 없습니다. 분할을 직접 제어하려면 학습 전에 이미지를 train/ 및 val/ 폴더로 구성하십시오.

  • 예. Ultralytics Platform을 사용하면 대규모 코딩 없이 데이터셋을 관리하고, 이미지 분류 모델을 학습하고, 모델을 배포할 수 있습니다. 클라우드에서 Caltech-101 실험을 실행하는 편리한 방법이며, 분류 데이터셋 개요에서 더 많은 옵션을 확인할 수 있습니다.

기여자
GLglenn-jocher16RAraimbekovm3MAMatthewNoyce1RIRizwanMunawar1JKjk4e1

댓글