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, itens domésticos e pessoas —, o que faz dele um benchmark compacto, mas desafiador, para modelos de reconhecimento de objetos.
Explore o Caltech-101 na Plataforma Ultralytics para visualizar amostras, consultar as estatísticas do conjunto de dados e cloná-lo para treinamento.
Assista: Como treinar um modelo de Classificação de imagens usando o conjunto de dados Caltech-101 com a plataforma Ultralytics
O Caltech-101 não inclui uma divisão predefinida entre treinamento e validação. Os comandos de treinamento abaixo fazem automaticamente a divisão: 80% para treinamento e 20% para validação; portanto, não é necessário preparar os dados manualmente.
Principais funcionalidades#
- O Caltech-101 contém 9.144 imagens coloridas 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, itens domésticos e pessoas.
- Cada categoria contém cerca de 40 a 800 imagens, portanto, o tamanho das classes é desigual.
- As imagens têm tamanhos variados; a maioria mede aproximadamente 300x200 pixels (resolução média).
- O Caltech-101 é amplamente usado para avaliar benchmarks de classificação de imagens e algoritmos de reconhecimento de objetos.
Estrutura do conjunto de dados#
O Caltech-101 é distribuído em 102 pastas — uma por classe, abrangendo 101 categorias de objetos e uma classe BACKGROUND_Google —, sem divisão predefinida entre treinamento e validação. Quando você inicia o treinamento, a Ultralytics divide automaticamente as imagens para que os modelos treinem nas 102 classes sem qualquer configuração manual:
- Classes: 102 (101 categorias de objetos + 1 de fundo)
- Total de imagens: 9.144
- Divisão entre treinamento e validação: automática, 80% / 20% (≈7.280 para treinamento, ≈1.864 para validação)
- Imagens por classe: cerca de 40 a 800 (desbalanceado)
Aplicações#
O Caltech-101 é amplamente usado para treinar e avaliar modelos de classificação de imagens e reconhecimento de objetos, incluindo redes neurais convolucionais (CNNs) e máquinas de vetores de suporte (SVMs). Sua ampla variedade de categorias e imagens nítidas e rotuladas fazem dele uma referência popular para pesquisas e prototipagem em aprendizado de máquina e visão computacional.
Uso#
Treine um modelo YOLO no Caltech-101 por 100 épocas, com tamanho de imagem 416. Para ver a lista completa de argumentos disponíveis, consulte a página de treinamento e o guia da tarefa de classificação de imagens.
from ultralytics import YOLO
# Carregar um modelo
model = YOLO("yolo26n-cls.pt") # carregue um modelo pré-treinado (recomendado para treinamento)
# Treinar o modelo
results = model.train(data="caltech101", epochs=100, imgsz=416)Imagens de exemplo e anotações#
O conjunto de dados Caltech-101 contém imagens coloridas de alta qualidade de vários objetos, oferecendo um conjunto de dados bem estruturado para tarefas de classificação de imagens. Veja 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, que o torna um ponto de partida confiável para treinar modelos robustos de reconhecimento de objetos.
Citações e agradecimentos#
Se você usar o conjunto de dados Caltech-101 em suas pesquisas ou atividades de desenvolvimento, cite o artigo a seguir:
@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 pesquisa em aprendizado de máquina e visão computacional. Para saber mais sobre o conjunto de dados Caltech-101 e seus criadores, acesse o site do conjunto de dados Caltech-101.
Perguntas frequentes#
O conjunto de dados Caltech-101 é amplamente usado para treinar e avaliar modelos de classificação de imagens e reconhecimento de objetos. Ele contém 9.144 imagens em 101 categorias de objetos, além de uma classe de fundo, oferecendo uma referência desafiadora para avaliar algoritmos como redes neurais convolucionais (CNNs) e máquinas de vetores de suporte (SVMs).
Para treinar um modelo Ultralytics YOLO no Caltech-101, use os trechos de código abaixo. O conjunto de dados é baixado automaticamente no primeiro uso. Para ver a lista completa de argumentos, consulte a página de treinamento do modelo.
Exemplo de treinofrom ultralytics import YOLO # Carregar um modelo model = YOLO("yolo26n-cls.pt") # carregue um modelo pré-treinado (recomendado para treinamento) # Treinar o modelo results = model.train(data="caltech101", epochs=100, imgsz=416)O Caltech-101 contém 101 categorias de objetos e uma classe de fundo
BACKGROUND_Google, totalizando 102 pastas de classes e 9.144 imagens. Ao treinar com Ultralytics, o modelo aprende todas as 102 classes. O tamanho das categorias é desbalanceado, variando de cerca de 40 a 800 imagens por categoria.O Caltech-101 não tem uma divisão predefinida. Na primeira vez que você treinar, a Ultralytics dividirá automaticamente o conjunto em 80% para treinamento e 20% para validação — cerca de 7.280 imagens de treinamento e 1.864 de validação —, então você não precisa criar as divisões manualmente. Para controlar a divisão, organize as imagens nas pastas
train/eval/antes do treinamento.Sim. A Ultralytics Platform permite gerenciar conjuntos de dados, treinar modelos de classificação de imagens e implantá-los sem precisar escrever muito código. É uma maneira prática de executar experimentos com Caltech-101 na nuvem, e você pode explorar mais opções na nossa visão geral dos conjuntos de dados de classificação.