Link to this sectionCaltech-256 데이터셋#

Caltech-256 데이터셋은 256개의 객체 카테고리와 1개의 배경 클래스로 구성된 30,607장의 이미지로 이루어진 고전적인 이미지 분류 벤치마크입니다. 각 카테고리는 동물, 차량, 가정용품, 사람 등 실세계 객체 이미지 80장 이상을 포함하고 있으며, 이는 객체 인식 모델을 위한 Caltech-101의 더 크고 도전적인 후속 버전입니다.

Link to this section주요 특징#

• Caltech-256은 256개의 객체 카테고리와 1개의 257.clutter 배경 클래스(총 257개의 클래스 폴더)에 걸쳐 총 30,607장의 컬러 이미지를 포함합니다.
• 카테고리는 동물, 차량, 가정용품, 사람을 포함한 다양한 실제 객체로 구성되어 있습니다.
• 각 카테고리는 최소 80장의 이미지를 보유하고 있으며, 가장 큰 카테고리는 최대 약 800장의 이미지를 보유하고 있어 클래스 크기가 불균형합니다.
• 이미지는 다양한 크기와 해상도를 가지고 있습니다.
• Caltech-256은 이미지 분류 및 객체 인식 알고리즘을 벤치마킹하는 데 널리 사용됩니다.

Link to this section데이터셋 구조#

Caltech-256은 256개의 객체 카테고리와 1개의 257.clutter 배경 클래스를 포함하는 257개의 폴더로 배포되며, 사전 정의된 학습/검증 분할이 없습니다. 학습을 시작하면 Ultralytics가 자동으로 이미지를 분할하여 수동 설정 없이도 257개 클래스 전체에 걸쳐 모델이 학습되도록 합니다:

• 클래스: 257 (256개 객체 카테고리 + 1개 배경)
• 전체 이미지: 30,607장
• 학습/검증 분할: 자동 80% / 20% (학습 약 24,385장, 검증 약 6,222장)
• 클래스당 이미지 수: 최소 80장 (불균형, 최대 약 800장까지)

Link to this section응용 분야#

The Caltech-256 dataset is widely used to train and evaluate image classification and object recognition models, including Convolutional Neural Networks (CNNs) and Support Vector Machines (SVMs). Its large category count and high-quality images make it a popular benchmark for machine learning and computer vision research and prototyping.

Link to this section사용법#

416 이미지 크기에서 100 에폭 동안 Caltech-256으로 YOLO 모델을 학습하십시오. 사용 가능한 전체 인수 목록은 학습 페이지와 이미지 분류 작업 가이드를 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="caltech256", epochs=100, imgsz=416)

Link to this section샘플 이미지 및 주석#

Caltech-256 데이터셋은 다양한 객체의 고품질 컬러 이미지를 포함하고 있어 이미지 분류 작업을 위한 잘 구성된 데이터셋을 제공합니다. 다음은 데이터셋의 이미지 예시입니다(출처):

이 샘플들은 Caltech-256 데이터셋에 포함된 객체의 다양성과 복잡성을 보여주며, 견고한 객체 인식 모델을 학습하기 위한 다양한 데이터셋의 가치를 강조합니다.

Link to this section인용 및 감사의 글#

연구 또는 개발 작업에 Caltech-256 데이터셋을 사용하는 경우, 다음 논문을 인용해 주십시오:

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

Caltech-256 데이터셋을 머신러닝 및 컴퓨터 비전 연구 커뮤니티를 위한 가치 있는 자원으로 만들고 유지 관리해 준 Gregory Griffin, Alex Holub, Pietro Perona에게 감사를 표합니다. Caltech-256 데이터셋과 제작자에 대한 자세한 내용은 Caltech-256 데이터셋 웹사이트를 방문하십시오.

Link to this sectionFAQ#

Link to this sectionCaltech-256 데이터셋은 머신러닝에서 어떤 용도로 사용됩니까?#

Caltech-256 데이터셋은 이미지 분류 및 객체 인식 모델을 학습하고 벤치마킹하는 데 널리 사용됩니다. 이 데이터셋은 256개의 객체 카테고리와 1개의 배경 클래스에 걸쳐 30,607장의 이미지를 포함하고 있으며, 신경망(CNN) 및 서포트 벡터 머신(SVM)과 같은 알고리즘을 위해 Caltech-101보다 더 크고 도전적인 벤치마크를 제공합니다.

Link to this sectionCaltech-256 데이터셋으로 Ultralytics YOLO 모델을 어떻게 학습할 수 있습니까?#

Caltech-256에서 Ultralytics YOLO 모델을 학습하려면 아래 코드 스니펫을 사용하십시오. 데이터셋은 처음 사용할 때 자동으로 다운로드됩니다. 전체 인수 목록은 모델 학습 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="caltech256", epochs=100, imgsz=416)

Link to this sectionCaltech-256 데이터셋에는 몇 개의 클래스가 있습니까?#

Caltech-256은 256개의 객체 카테고리와 1개의 257.clutter 배경 클래스를 포함하여 총 257개의 클래스 폴더와 30,607장의 이미지가 있습니다. Ultralytics로 학습할 때 모델은 257개 클래스를 모두 학습합니다. 각 카테고리는 최소 80장의 이미지를 보유하고 있지만, 클래스 크기는 불균형하며 가장 큰 카테고리는 최대 약 800장의 이미지를 보유합니다.

Link to this sectionCaltech-256 데이터셋은 어떻게 학습 및 검증 세트로 분할됩니까?#

Caltech-256은 사전 정의된 분할이 없습니다. 처음 학습할 때 Ultralytics는 자동으로 이를 80% 학습 / 20% 검증으로 분할(학습 약 24,385장, 검증 약 6,222장)하므로 수동으로 분할을 생성할 필요가 없습니다. 직접 분할을 제어하려면 학습 전에 이미지를 train/ 및 val/ 폴더로 구성하십시오.

Link to this sectionUltralytics Platform을 사용하여 Caltech-256 데이터셋에서 모델을 학습할 수 있습니까?#

네. Ultralytics Platform을 사용하면 데이터셋을 관리하고 이미지 분류 모델을 학습하며 복잡한 코딩 없이 배포할 수 있습니다. 이는 클라우드에서 Caltech-256 실험을 실행하는 편리한 방법이며, 분류 데이터셋 개요에서 더 많은 옵션을 탐색할 수 있습니다.