Link to this sectionCaltech-101 데이터셋#

Caltech-101 데이터셋은 객체 인식 작업에 널리 사용되는 데이터셋으로, 101개 객체 카테고리에 약 9,000개의 이미지를 포함하고 있습니다. 카테고리는 실제 환경의 다양한 객체를 반영하도록 선택되었으며, 이미지 자체는 객체 인식 알고리즘을 위한 도전적인 벤치마크를 제공하도록 세심하게 선정 및 어노테이션되었습니다.

Link to this section주요 특징#

• Caltech-101 데이터셋은 101개 카테고리로 나뉜 약 9,000개의 컬러 이미지로 구성됩니다.
• 카테고리는 동물, 차량, 가정용품, 사람을 포함하여 매우 다양한 객체를 포괄합니다.
• 카테고리당 이미지 수는 다양하며, 각 카테고리별로 약 40개에서 800개의 이미지가 포함되어 있습니다.
• 이미지 크기는 가변적이며, 대부분의 이미지는 중간 해상도입니다.
• Caltech-101은 머신러닝 분야, 특히 객체 인식 작업에서 학습 및 테스트용으로 널리 사용됩니다.

Link to this section데이터셋 구조#

많은 다른 데이터셋과 달리 Caltech-101 데이터셋은 공식적으로 학습 및 테스트 세트로 분할되어 있지 않습니다. 사용자는 일반적으로 자신의 특정 요구에 따라 자체적으로 데이터를 분할합니다. 하지만 흔히 사용되는 방식은 이미지의 임의 하위 집합을 학습에 사용하고(예: 카테고리당 30개 이미지), 나머지 이미지를 테스트에 사용하는 것입니다.

Link to this section응용 분야#

The Caltech-101 dataset is extensively used for training and evaluating deep learning models in object recognition tasks, such as Convolutional Neural Networks (CNNs), Support Vector Machines (SVMs), and various other machine learning algorithms. Its wide variety of categories and high-quality images make it an excellent dataset for research and development in the field of machine learning and computer vision.

Link to this section사용법#

Caltech-101 데이터셋에서 YOLO 모델을 100 에포크(epochs) 동안 학습하려면 다음 코드 스니펫을 사용할 수 있습니다. 사용 가능한 전체 인수 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 데이터셋은 다양한 객체의 고품질 컬러 이미지를 포함하고 있어 이미지 분류 작업을 위한 잘 구성된 데이터셋을 제공합니다. 다음은 이 데이터셋의 이미지 예시입니다:

이 예시는 Caltech-101 데이터셋에 포함된 객체의 다양성과 복잡성을 보여주며, 강력한 객체 인식 모델을 학습하는 데 있어 다양한 데이터셋이 가지는 중요성을 강조합니다.

Link to this section인용 및 감사의 글#

연구 또는 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 귀중한 자원으로 Caltech-101 데이터셋을 구축하고 유지 관리해 준 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 머신러닝에서 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 컴퓨터 비전 분야에서 모델, 특히 Convolutional 신경망(Neural Networks)(CNN)과 Support Vector Machines(SVM)을 학습하고 테스트하기 위해 이를 활용합니다.

Link to this sectionCaltech-101 데이터셋으로 Ultralytics YOLO 모델을 어떻게 학습할 수 있습니까?#

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

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 인수 및 옵션은 모델 학습(Training) 페이지를 참조하십시오.

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

Caltech-101 데이터셋은 다음을 포함합니다:

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

이러한 특징들로 인해 머신러닝 및 컴퓨터 비전에서 객체 인식 모델을 학습하고 평가하는 데 탁월한 선택입니다.

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

연구에서 Caltech-101 데이터셋을 인용하면 제작자의 기여를 인정하게 되며, 해당 데이터셋을 사용할 다른 사람들에게 참조 자료를 제공하게 됩니다. 권장되는 인용 형식은 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 학술적 작업의 무결성을 유지하는 데 도움이 되며 동료들이 원본 리소스를 찾는 데 기여합니다.

Link to this sectionCaltech-101 데이터셋으로 모델을 학습하기 위해 Ultralytics Platform을 사용할 수 있습니까?#

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