Conjunto de dados Caltech-101#
O conjunto de dados Caltech-101 é uma referência clássica de image classification com 9.144 imagens distribuídas em 101 categorias de objetos mais uma classe de fundo. Cada categoria contém cerca de 40 a 800 imagens de objetos do mundo real — animais, veículos, itens domésticos e pessoas —, tornando-o uma referência compacta, mas desafiadora, para modelos de reconhecimento de objetos.
Explora Caltech-101 on Ultralytics Platform para pré-visualizar amostras, inspecionar estatísticas do conjunto de dados e cloná-lo para treino.
O Caltech-101 é fornecido sem uma divisão predefinida de treino/validação. Os comandos de treinamento abaixo realizam automaticamente uma divisão de 80% para treino e 20% para validação, portanto, não é necessária preparação manual.
Principais recursos#
- O Caltech-101 contém 9.144 imagens coloridas em 101 categorias de objetos mais uma classe
BACKGROUND_Google(102 pastas de classes no total). - As categorias abrangem uma grande variedade de objetos do mundo real, incluindo animais, veículos, itens domésticos e pessoas.
- Cada categoria contém cerca de 40 a 800 imagens, portanto, os tamanhos das classes são desbalanceados.
- As imagens possuem tamanhos variados, sendo a maioria aproximadamente 300x200 pixels (resolução média).
- O Caltech-101 é amplamente utilizado para avaliar algoritmos de image classification e reconhecimento de objetos.
Estrutura do Dataset#
O Caltech-101 é distribuído em 102 pastas — uma por classe, abrangendo 101 categorias de objetos mais uma classe BACKGROUND_Google —, sem divisão predefinida de treino/validação. Quando inicias o treino, o Ultralytics divide automaticamente as imagens para que os modelos treinem em todas as 102 classes sem necessidade de 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 (desbalanceado)
Aplicações#
O Caltech-101 é amplamente utilizado para treinar e avaliar modelos de image classification e reconhecimento de objetos, incluindo Convolutional Neural Networks (CNNs) e Support Vector Machines (SVMs). A sua ampla cobertura de categorias e imagens limpas e rotuladas tornam-no uma referência popular para pesquisas e prototipagem em machine learning e computer vision.
Uso#
Treina um modelo YOLO no Caltech-101 durante 100 epochs com um tamanho de imagem de 416. Para obteres a lista completa de argumentos disponíveis, consulta a página de Training e o guia da tarefa de image classification.
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)Exemplos de Imagens e Anotações#
O conjunto de dados Caltech-101 contém imagens coloridas de alta qualidade de vários objetos, fornecendo um conjunto de dados bem estruturado para tarefas de image classification. Aqui estão 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 o treinamento de modelos robustos de reconhecimento de objetos.
Citações e Agradecimentos#
Se você usar o conjunto de dados Caltech-101 em seu trabalho de pesquisa ou desenvolvimento, cite 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 criarem e manterem o conjunto de dados Caltech-101 como um recurso valioso para a comunidade de investigação em machine learning e computer vision. Para mais informações sobre o conjunto de dados Caltech-101 e os seus criadores, visita o Caltech-101 dataset website.
FAQ#
O conjunto de dados Caltech-101 é amplamente utilizado para treinar e avaliar modelos de image classification e reconhecimento de objetos. Contém 9.144 imagens em 101 categorias de objetos mais uma classe de fundo, fornecendo uma referência desafiadora para avaliar algoritmos como Convolutional Neural Networks (CNNs) e Support Vector Machines (SVMs).
Para treinar um modelo Ultralytics YOLO no Caltech-101, usa os trechos de código abaixo. O conjunto de dados é transferido automaticamente na primeira utilização. Para obteres uma lista completa de argumentos, consulta a página de Training do modelo.
Exemplo de Treinamentofrom 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 mais uma classe
BACKGROUND_Google, totalizando 102 pastas de classes e 9.144 imagens. Quando treinas com o Ultralytics, o modelo aprende todas as 102 classes. Os tamanhos das categorias são desequilibrados, variando de cerca de 40 a 800 imagens cada.O Caltech-101 não tem nenhuma divisão predefinida. Na primeira vez que treinas, o Ultralytics divide-o automaticamente em 80% de treino / 20% de validação — cerca de 7.280 imagens de treino e 1.864 de validação —, para que não precises de criar divisões manualmente. Para controlares a divisão por ti próprio, organiza as imagens nas pastas
train/eval/antes de treinar.Sim. O Ultralytics Platform permite-te gerir conjuntos de dados, treinar modelos de image classification e implementá-los sem programação extensa. É uma forma conveniente de executar experiências com o Caltech-101 na cloud, e podes explorar mais opções na nossa classification datasets overview.