Caltech-256 데이터셋#
Caltech-256 데이터셋은 256개의 객체 카테고리와 하나의 배경 클래스를 아우르는 30,607개의 이미지로 구성된 대표적인 이미지 분류 벤치마크입니다. 각 카테고리에는 동물, 차량, 가정용품, 사람 등 실제 객체 이미지가 최소 80개씩 포함되어 있어 객체 인식 모델을 위한 Caltech-101의 더 크고 도전적인 후속 벤치마크입니다.
Ultralytics Platform의 Caltech-256을 탐색하여 샘플을 미리 보고, 데이터셋 통계를 확인하고, 학습을 위해 복제할 수 있습니다.
Caltech-256은 사전 정의된 학습/검증 분할 없이 제공됩니다. 아래 학습 명령은 자동으로 80% 학습 / 20% 검증으로 분할하므로 수동으로 준비할 필요가 없습니다.
주요 기능#
- Caltech-256은 256개의 객체 카테고리와 하나의
257.clutter배경 클래스로 구성된 총 30,607개의 컬러 이미지를 포함합니다(총 257개의 클래스 폴더). - 카테고리는 동물, 차량, 가정용품, 사람 등 다양한 실제 세계 객체를 포함합니다.
- 각 카테고리에는 최소 80개의 이미지가 포함되며, 가장 많은 카테고리에는 약 800개까지 포함되어 있어 클래스 크기가 불균형합니다.
- 이미지의 크기와 해상도는 서로 다릅니다.
- Caltech-256은 이미지 분류 및 객체 인식 알고리즘의 벤치마크에 널리 사용됩니다.
데이터셋 구조#
Caltech-256은 클래스당 하나씩 총 257개의 폴더로 배포되며, 256개의 객체 카테고리와 하나의 257.clutter 배경 클래스를 포함하고 사전 정의된 학습/검증 분할은 제공하지 않습니다. 학습을 시작하면 Ultralytics가 이미지를 자동으로 분할하므로 수동 설정 없이 모델이 257개 클래스 전체를 대상으로 학습됩니다:
- 클래스: 257개(객체 카테고리 256개 + 배경 1개)
- 총 이미지 수: 30,607개
- 학습/검증 분할: 80% / 20% 자동 분할(학습 약 24,385개, 검증 약 6,222개)
- 클래스당 이미지 수: 최소 80개(불균형하며 최대 약 800개)
응용 분야#
Caltech-256 데이터셋은 이미지 분류 및 객체 인식 모델을 학습하고 평가하는 데 널리 사용되며, 합성곱 신경망(CNNs)과 서포트 벡터 머신(SVMs)을 포함합니다. 많은 카테고리와 고품질 이미지 덕분에 머신 러닝 및 컴퓨터 비전 연구와 프로토타이핑을 위한 인기 있는 벤치마크로 사용됩니다.
사용법#
이미지 크기 416으로 100개의 epoch 동안 Caltech-256에서 YOLO 모델을 학습합니다. 사용 가능한 인자의 전체 목록은 Training 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)샘플 이미지 및 주석#
Caltech-256 데이터셋에는 다양한 객체의 고품질 컬러 이미지가 포함되어 있어 이미지 분류 작업을 위한 체계적인 데이터셋을 제공합니다. 다음은 데이터셋의 이미지 예시입니다(출처):
샘플은 Caltech-256 데이터셋에 포함된 객체의 다양성과 복잡성을 보여주며, 견고한 객체 인식 모델을 학습하려면 다양한 데이터셋이 중요하다는 점을 강조합니다.
인용 및 감사의 글#
연구 또는 개발 작업에서 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}
}머신 러닝 및 컴퓨터 비전 연구 커뮤니티에 귀중한 리소스인 Caltech-256 데이터셋을 제작하고 유지 관리한 Gregory Griffin, Alex Holub, Pietro Perona에게 감사의 말씀을 전합니다. Caltech-256 데이터셋과 제작자에 대한 자세한 내용은 Caltech-256 데이터셋 웹사이트를 참조하시기 바랍니다.
FAQ#
Caltech-256 데이터셋은 이미지 분류 및 객체 인식 모델을 학습하고 벤치마크하는 데 널리 사용됩니다. 이 데이터셋은 256개의 객체 카테고리와 하나의 배경 클래스에 걸쳐 30,607개의 이미지를 포함하므로, 합성곱 신경망(CNNs) 및 서포트 벡터 머신(SVMs)과 같은 알고리즘을 위한 Caltech-101보다 크고 도전적인 벤치마크를 제공합니다.
Caltech-256에서 Ultralytics YOLO 모델을 학습하려면 아래 코드 스니펫을 사용하십시오. 데이터셋은 처음 사용할 때 자동으로 다운로드됩니다. 인자의 전체 목록은 모델 Training 페이지를 참조하십시오.
학습 예제from 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)Caltech-256에는 256개의 객체 카테고리와 하나의
257.clutter배경 클래스가 포함되어 있어 총 257개의 클래스 폴더와 30,607개의 이미지로 구성됩니다. Ultralytics로 학습하면 모델은 257개 클래스 전체를 학습합니다. 각 카테고리에는 최소 80개의 이미지가 포함되지만 클래스 크기는 불균형하며, 가장 많은 카테고리에는 약 800개의 이미지까지 포함됩니다.Caltech-256에는 사전 정의된 분할이 없습니다. 처음 학습할 때 Ultralytics가 자동으로 80% 학습 / 20% 검증으로 분할하며, 학습 이미지는 약 24,385개, 검증 이미지는 약 6,222개이므로 수동으로 분할을 생성할 필요가 없습니다. 분할을 직접 제어하려면 학습 전에 이미지를
train/및val/폴더로 구성하십시오.예. Ultralytics Platform을 사용하면 광범위한 코딩 없이 데이터셋을 관리하고, 이미지 분류 모델을 학습하고, 모델을 배포할 수 있습니다. 클라우드에서 Caltech-256 실험을 실행하는 편리한 방법이며, 분류 데이터셋 개요에서 더 많은 옵션을 살펴볼 수 있습니다.