YOLO Vision 2026:
CC BY 4.0

Caltech-101 데이터셋#

Caltech-101 데이터산은 동물, 차량, household items, 사람 등 실제 세계의 객체를 다루는 101개의 객체 카테고리와 하나의 background 클래스에 걸쳐 있는 9,144개의 이미지로 구성된 클래식 image classification 벤치마크로, 객체 인식 모델을 위한 컴팩트하면서도 도전적인 벤치마크입니다.

샘플을 미리 보고, 데이터셋 통계를 확인하며, 학습을 위해 복제하려면 Ultralytics Platform의 Caltech-101을 살펴보세요.



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

Caltech-101은 사전 정의된 학습/검증 분할이 제공되지 않습니다. 아래의 학습 명령어를 사용하면 자동으로 80% 학습 / 20% 검증으로 분할되므로 별도의 수동 준비 작업이 필요하지 않습니다.

주요 특징#

  • Caltech-101은 101개의 객체 카테고리와 하나의 BACKGROUND_Google 클래스(총 102개의 클래스 폴더)에 걸쳐 9,144개의 컬러 이미지를 포함하고 있습니다.
  • 카테고리는 동물, 차량, 가정용품, 사람을 포함한 다양한 실제 객체로 구성되어 있습니다.
  • 각 카테고리는 약 40개에서 800개의 이미지를 포함하고 있어 클래스 크기가 불균형합니다.
  • 이미지 크기는 가변적이며, 대부분 약 300x200 픽셀(중간 해상도)입니다.
  • Caltech-101은 image classification 및 객체 인식 알고리즘의 벤치마크로 널리 사용됩니다.

데이터셋 구조#

Caltech-101은 사전 정의된 학습/검증 분할 없이 101개의 객체 카테고리와 BACKGROUND_Google 클래스를 다루는 클래스당 하나씩 총 102개의 폴더로 배포됩니다. 학습을 시작하면 Ultralytics가 수동 설정 없이 모델이 102개 클래스 모두에서 학습할 수 있도록 이미지를 자동으로 분할합니다:

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

응용 분야#

Caltech-101은 Convolutional Neural Networks(CNN) 및 Support Vector Machines(SVM)을 포함하여 image classification 및 객체 인식 모델을 학습하고 평가하는 데 널리 사용됩니다. 폭넓은 카테고리 커버리지와 깨끗하고 레이블이 지정된 이미지는 machine learning 및 computer vision 연구와 프로토타이핑을 위한 인기 있는 벤치마크로 만듭니다.

사용법#

416 이미지 크기로 100 epochs 동안 Caltech-101에서 YOLO 모델을 학습합니다. 사용 가능한 인수의 전체 목록은 Training 페이지와 image classification 태스크 가이드를 참조하세요.

훈련 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 데이터셋은 다양한 객체의 고품질 컬러 이미지를 포함하고 있어 image classification 태스크를 위한 잘 구조화된 데이터셋을 제공합니다. 데이터셋의 이미지 예시는 다음과 같습니다:

Caltech-101 image classification dataset samples

샘플은 Caltech-101의 전형적인 다양한 카테고리와 자연스럽고 중앙에 정렬된 구도를 보여주며, 이는 강력한 객체 인식 모델을 학습하기 위한 깔끔한 출발점을 제공합니다.

인용 및 감사의 글#

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

인용
@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 커뮤니티를 위한 귀중한 리소스인 Caltech-101 데이터셋을 만들고 유지 관리해 준 Li Fei-Fei, Rob Fergus, Pietro Perona에게 감사를 표합니다. Caltech-101 데이터셋과 제작자에 대한 자세한 내용은 Caltech-101 dataset website를 방문하세요.

FAQ#

  • Caltech-101 데이터셋은 image classification 및 객체 인식 모델을 학습하고 벤치마킹하는 데 널리 사용됩니다. 여기에는 101개의 객체 카테고리와 백그라운드 클래스에 걸쳐 9,144개의 이미지가 포함되어 있어 합성곱 Neural Networks(CNN) 및 Support Vector Machines(SVM)과 같은 알고리즘을 평가하기 위한 도전적인 벤치마크를 제공합니다.

  • Caltech-101에서 Ultralytics YOLO 모델을 학습하려면 아래 코드 조각을 사용하세요. 데이터셋은 처음 사용할 때 자동으로 다운로드됩니다. 인수의 전체 목록은 모델 Training 페이지를 참조하세요.

    훈련 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-101은 101개의 객체 카테고리와 하나의 BACKGROUND_Google 클래스를 포함하여 총 102개의 클래스 폴더와 9,144개의 이미지로 구성됩니다. Ultralytics로 학습할 때 모델은 102개 클래스를 모두 학습합니다. 카테고리 크기는 불균형하며 각각 약 40개에서 800개의 이미지 범위입니다.

  • Caltech-101에는 사전 정의된 분할이 없습니다. 처음 학습할 때 Ultralytics는 80% 학습 / 20% 검증(약 7,280개의 학습 및 1,864개의 검증 이미지)으로 자동 분할하므로 수동으로 분할을 만들 필요가 없습니다. 직접 분할을 제어하려면 학습 전에 이미지를 train/ 및 val/ 폴더로 정리하세요.

  • 네. Ultralytics Platform을 사용하면 광범위한 코딩 없이도 데이터셋을 관리하고, image classification 모델을 학습하며, 배포할 수 있습니다. 클라우드에서 Caltech-101 실험을 실행하는 편리한 방법이며, classification datasets overview에서 더 많은 옵션을 살펴볼 수 있습니다.

기여자
GLglenn-jocher16RAraimbekovm3MAMatthewNoyce1RIRizwanMunawar1JKjk4e1

댓글