Conjunto de dados Caltech-101#
O conjunto de dados Caltech-101 é um benchmark clássico de classificação de imagens com 9.144 imagens distribuídas por 101 categorias de objetos, além de uma classe de fundo. Cada categoria contém cerca de 40 a 800 imagens de objetos do mundo real — animais, veículos, objetos domésticos e pessoas — o que o torna um benchmark compacto, mas desafiante, para modelos de reconhecimento de objetos.
Explora o Caltech-101 na Ultralytics Platform para pré-visualizar amostras, consultar as estatísticas do conjunto de dados e cloná-lo para treino.
O Caltech-101 é disponibilizado sem uma divisão predefinida entre treino e validação. Os comandos de treino abaixo dividem-no automaticamente em 80% para treino e 20% para validação, pelo que não é necessária qualquer preparação manual.
Principais funcionalidades#
- O Caltech-101 contém 9.144 imagens a cores distribuídas por 101 categorias de objetos, além de uma classe
BACKGROUND_Google(102 pastas de classes no total). - As categorias abrangem uma grande variedade de objetos do mundo real, incluindo animais, veículos, objetos domésticos e pessoas.
- Cada categoria contém cerca de 40 a 800 imagens, pelo que os tamanhos das classes são desequilibrados.
- As imagens têm tamanhos variáveis, sendo a maioria aproximadamente de 300x200 píxeis (resolução média).
- O Caltech-101 é amplamente utilizado para avaliar algoritmos de classificação de imagens e reconhecimento de objetos.
Estrutura do Conjunto de Dados#
O Caltech-101 é distribuído como 102 pastas — uma por classe, abrangendo 101 categorias de objetos além de uma classe BACKGROUND_Google — sem uma divisão predefinida entre treino e validação. Quando inicias o treino, a Ultralytics particiona automaticamente as imagens para que os modelos sejam treinados em todas as 102 classes, sem qualquer configuração manual:
- Classes: 102 (101 categorias de objetos + 1 de fundo)
- Total de imagens: 9.144
- Divisão treino/validação: automática, 80% / 20% (≈7.280 para treino, ≈1.864 para validação)
- Imagens por classe: cerca de 40 a 800 (desequilibrado)
Aplicações#
O Caltech-101 é amplamente utilizado para treinar e avaliar modelos de classificação de imagens e reconhecimento de objetos, incluindo redes neuronais convolucionais (CNNs) e máquinas de vetores de suporte (SVMs). A sua ampla cobertura de categorias e as imagens limpas e anotadas tornam-no um benchmark popular para investigação e prototipagem em aprendizagem automática e visão computacional.
Utilização#
Treina um modelo YOLO no Caltech-101 durante 100 épocas, com um tamanho de imagem de 416. Para consultar a lista completa de argumentos disponíveis, vê a página de Treino e o guia da tarefa de classificação de imagens.
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)Imagens de exemplo e anotações#
O conjunto de dados Caltech-101 contém imagens a cores de alta qualidade de vários objetos, proporcionando um conjunto de dados bem estruturado para tarefas de classificação de imagens. Eis alguns exemplos de imagens do conjunto de dados:
As amostras mostram a variedade de categorias e o enquadramento natural e centralizado típico do Caltech-101, o que o torna um ponto de partida limpo para treinar modelos robustos de reconhecimento de objetos.
Citações e agradecimentos#
Se utilizares o conjunto de dados Caltech-101 no teu trabalho de investigação ou desenvolvimento, cita o seguinte artigo:
@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}
}Gostaríamos de agradecer a Li Fei-Fei, Rob Fergus e Pietro Perona por terem criado e mantido o conjunto de dados Caltech-101 como um recurso valioso para a comunidade de investigação em aprendizagem automática e visão computacional. Para obteres mais informações sobre o conjunto de dados Caltech-101 e os seus criadores, visita o site do conjunto de dados Caltech-101.
Perguntas frequentes#
O conjunto de dados Caltech-101 é amplamente utilizado para treinar e avaliar modelos de classificação de imagens e reconhecimento de objetos. Contém 9.144 imagens distribuídas por 101 categorias de objetos, além de uma classe de fundo, proporcionando um benchmark desafiante para avaliar algoritmos como redes neuronais convolucionais (CNNs) e máquinas de vetores de suporte (SVMs).
Para treinares um modelo Ultralytics YOLO no Caltech-101, utiliza os fragmentos de código abaixo. O conjunto de dados é descarregado automaticamente na primeira utilização. Para consultar a lista completa de argumentos, vê a página de Treino do modelo.
Exemplo de treinofrom 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)O Caltech-101 contém 101 categorias de objetos, além de uma classe
BACKGROUND_Google, totalizando 102 pastas de classes e 9.144 imagens. Quando treinas com a Ultralytics, o modelo aprende as 102 classes. O tamanho das categorias é desequilibrado, variando entre cerca de 40 e 800 imagens cada.O Caltech-101 não tem uma divisão predefinida. Na primeira vez que treinares, a Ultralytics divide-o automaticamente em 80% para treino e 20% para validação — cerca de 7.280 imagens de treino e 1.864 de validação —, pelo que não precisas de criar as divisões manualmente. Para controlares a divisão, organiza as imagens nas pastas
train/eval/antes do treino.Sim. A Ultralytics Platform permite gerir conjuntos de dados, treinar modelos de classificação de imagens e implementá-los sem programação extensiva. É uma forma conveniente de executar experiências com o Caltech-101 na nuvem, e podes explorar mais opções na nossa visão geral dos conjuntos de dados de classificação.