Começar

Conjunto de dados Caltech-101

Caltech-101 preview 1
Caltech-101 preview 2
Caltech-101 preview 3
Caltech-101 preview 4
9,144
Caltech-101
ultralytics
PublicClassify

Web photos of mostly centered, uncluttered objects, collected by Caltech in 2003 via Google Image Search for few-shot recognition research. Caltech defines no train/val split; the split here was made by Ultralytics at 80/20. Source: Fei-Fei, Fergus, Perona, "Learning Generative Visual Models from Few Training Examples: An Incremental Bayesian Approach Tested on 101 Object Categories," CVPR Workshops 2004; data.caltech.edu/records/mzrjq-6wc02.

102 classes194.3 MBOct 23, 2026
BACKGROUND_GoogleFacesFaces_easyLeopards+98
image-classificationcaltech101object-recognition+1

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
Divisão automática dos dados

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 algoritmos de classificação de imagens e 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 neuronais convolucionais (CNNs) e máquinas de vetores de suporte (SVMs). A ampla variedade de categorias e as imagens nítidas e rotuladas fazem dele uma referência popular para pesquisa e prototipagem em aprendizado de máquina e visão computacional.

Uso#

Treine um modelo YOLO26n-cls no Caltech-101 por 100 épocas, com tamanho de imagem 416.

Exemplo de treino
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, formando um conjunto bem estruturado para tarefas de classificação de imagens. Veja alguns exemplos de imagens do conjunto de dados:

Exemplos do conjunto de dados de classificação de imagens Caltech-101

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:

Citação
@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 modelos de classificação de imagens e reconhecimento de objetos e avaliá-los. Ele contém 9.144 imagens distribuídas por 101 categorias de objetos, além de uma classe de fundo, oferecendo um desafio de referência para avaliar algoritmos como redes neuronais 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 treino
    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)
  • 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/ e val/ 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.

Comentários

Faz uma pergunta, partilha os teus resultados ou ajuda alguém.