Link to this sectionCaltech-101 데이터셋#

Caltech-101 데이터셋은 객체 인식 작업에 널리 사용되는 데이터셋으로, 101개 객체 카테고리의 약 9,000개 이미지를 포함하고 있습니다. 각 카테고리는 실제 세계의 다양한 객체를 반영하도록 선정되었으며, 이미지 자체도 객체 인식 알고리즘을 위한 도전적인 벤치마크를 제공할 수 있도록 신중하게 선택되고 주석이 달렸습니다.

Link to this section주요 특징#

• Caltech-101 데이터셋은 101개 카테고리로 나뉜 약 9,000개의 컬러 이미지로 구성되어 있습니다.
• 카테고리는 동물, 차량, 가정용품, 사람을 포함한 다양한 객체를 포괄합니다.
• 카테고리별 이미지 수는 약 40개에서 800개 사이로 다양합니다.
• 이미지 크기는 가변적이며, 대부분 중간 해상도입니다.
• Caltech-101은 머신러닝 분야, 특히 객체 인식 작업을 위한 학습 및 테스트에 널리 사용됩니다.

Link to this section데이터셋 구조#

많은 다른 데이터셋과 달리 Caltech-101 데이터셋은 학습 세트와 테스트 세트로 공식적으로 분할되어 있지 않습니다. 사용자는 일반적으로 자신의 필요에 따라 직접 데이터를 분할합니다. 하지만 흔히 사용되는 방식은 이미지의 무작위 하위 집합을 학습용(예: 카테고리당 30개 이미지)으로, 나머지를 테스트용으로 사용하는 것입니다.

Link to this section응용 분야#

Caltech-101 데이터셋은 객체 인식 작업에서 딥러닝 모델(예: 합성곱 신경망 (CNN), 서포트 벡터 머신 (SVM) 및 기타 머신러닝 알고리즘)을 학습하고 평가하는 데 광범위하게 사용됩니다. 다양한 카테고리와 고품질 이미지는 머신러닝 및 컴퓨터 비전 분야의 연구 개발을 위한 훌륭한 데이터셋입니다.

Link to this section사용법#

Caltech-101 데이터셋에서 YOLO 모델을 100 에포크(epoch) 동안 학습하려면 다음 코드 스니펫을 사용할 수 있습니다. 사용 가능한 인수에 대한 전체 목록은 모델 학습(Training) 페이지를 참조하십시오.

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)

Link to this section샘플 이미지 및 주석#

Caltech-101 데이터셋에는 다양한 객체의 고품질 컬러 이미지가 포함되어 있어 이미지 분류(image classification) 작업을 위한 잘 구조화된 데이터셋을 제공합니다. 다음은 데이터셋 이미지의 몇 가지 예시입니다:

이 예시는 Caltech-101 데이터셋에 포함된 객체의 다양성과 복잡성을 보여주며, 강력한 객체 인식 모델을 학습하기 위한 다양한 데이터셋의 중요성을 강조합니다.

Link to this section인용 및 감사의 글#

연구나 개발 작업에 Caltech-101 데이터셋을 사용하는 경우 다음 논문을 인용해 주십시오:

@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}
}

머신러닝 및 컴퓨터 비전 연구 커뮤니티를 위한 소중한 자원으로서 Caltech-101 데이터셋을 만들고 유지 관리해 온 Li Fei-Fei, Rob Fergus, Pietro Perona에게 감사를 표합니다. Caltech-101 데이터셋과 제작자에 대한 자세한 정보는 Caltech-101 데이터셋 웹사이트를 방문하십시오.

Link to this sectionFAQ#

Link to this sectionCaltech-101 데이터셋은 머신러닝에서 무엇을 위해 사용됩니까?#

Caltech-101 데이터셋은 머신러닝의 객체 인식 작업에 널리 사용됩니다. 이 데이터셋은 101개 카테고리에 걸쳐 약 9,000개의 이미지를 포함하고 있으며, 객체 인식 알고리즘을 평가하기 위한 도전적인 벤치마크를 제공합니다. 연구자들은 이를 활용하여 컴퓨터 비전 분야에서 합성곱 신경망 (CNN) 및 서포트 벡터 머신(SVM)과 같은 모델을 학습하고 테스트합니다.

Link to this sectionUltralytics YOLO 모델을 Caltech-101 데이터셋으로 학습하려면 어떻게 해야 합니까?#

Caltech-101 데이터셋으로 Ultralytics YOLO 모델을 학습하려면 제공된 코드 스니펫을 사용할 수 있습니다. 예를 들어 100 에포크 동안 학습하려면 다음과 같이 합니다:

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)

더 자세한 인수와 옵션은 모델 학습(Training) 페이지를 참조하십시오.

Link to this sectionCaltech-101 데이터셋의 주요 특징은 무엇입니까?#

Caltech-101 데이터셋에는 다음이 포함됩니다:

• 101개 카테고리에 걸친 약 9,000개의 컬러 이미지.
• 동물, 차량, 가정용품 등 다양한 범위의 객체를 포괄하는 카테고리.
• 카테고리별로 가변적인 이미지 수(일반적으로 40개에서 800개 사이).
• 가변적인 이미지 크기(대부분 중간 해상도).

이러한 특징 덕분에 이 데이터셋은 머신러닝 및 컴퓨터 비전에서 객체 인식 모델을 학습하고 평가하기 위한 훌륭한 선택입니다.

Link to this section왜 내 연구에서 Caltech-101 데이터셋을 인용해야 합니까?#

연구에서 Caltech-101 데이터셋을 인용하는 것은 제작자의 기여를 인정하고 이 데이터셋을 사용할 다른 사람들을 위한 참조를 제공하는 것입니다. 권장되는 인용 방식은 다음과 같습니다:

@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}
}

인용은 학술 작업의 무결성을 유지하는 데 도움이 되며 동료들이 원본 자원을 찾는 데 도움을 줍니다.

Link to this sectionUltralytics Platform을 사용하여 Caltech-101 데이터셋으로 모델을 학습할 수 있습니까?#

네, Ultralytics Platform을 사용하여 Caltech-101 데이터셋으로 모델을 학습할 수 있습니다. Ultralytics Platform은 복잡한 코딩 없이 데이터셋 관리, 모델 학습 및 배포를 위한 직관적인 환경을 제공합니다. 자세한 가이드는 Ultralytics Platform으로 커스텀 모델을 학습하는 방법 블로그 게시물을 참조하십시오.