Conjunto de dados Caltech-256#
O conjunto de dados Caltech-256 é uma referência clássica de classificação de imagens, com 30.607 imagens distribuídas por 256 categorias de objetos e uma classe de fundo. Cada categoria contém pelo menos 80 imagens de objetos do mundo real — animais, veículos, itens domésticos e pessoas —, o que faz dele um sucessor maior e mais desafiador do Caltech-101 para modelos de reconhecimento de objetos.
Explore o Caltech-256 na Ultralytics Platform para visualizar amostras, consultar 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-256 com Ultralytics YOLO26
O Caltech-256 não inclui uma divisão predefinida de treinamento e validação. Os comandos de treinamento abaixo fazem a divisão automática: 80% para treinamento e 20% para validação, sem necessidade de preparação manual.
Principais funcionalidades#
- O Caltech-256 contém 30.607 imagens coloridas em 256 categorias de objetos e uma classe de fundo
257.clutter(257 pastas de classes ao todo). - As categorias abrangem uma grande variedade de objetos do mundo real, incluindo animais, veículos, itens domésticos e pessoas.
- Cada categoria contém pelo menos 80 imagens, e a maior contém até cerca de 800, portanto o tamanho das classes é desbalanceado.
- As imagens têm tamanhos e resoluções variados.
- O Caltech-256 é amplamente usado para avaliar algoritmos de classificação de imagens e reconhecimento de objetos.
Estrutura do conjunto de dados#
O Caltech-256 é distribuído em 257 pastas — uma por classe, abrangendo 256 categorias de objetos e uma classe de fundo 257.clutter —, sem uma divisão predefinida de treinamento e validação. Ao iniciar o treinamento, a Ultralytics divide automaticamente as imagens para que os modelos treinem com as 257 classes sem nenhuma configuração manual:
- Classes: 257 (256 categorias de objetos + 1 classe de fundo)
- Total de imagens: 30.607
- Divisão entre treinamento e validação: automática, 80% / 20% (≈24.385 para treinamento, ≈6.222 para validação)
- Imagens por classe: pelo menos 80 (desbalanceado, até cerca de 800)
Aplicações#
O conjunto de dados Caltech-256 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). A grande quantidade de categorias e as imagens de alta qualidade fazem dele uma referência popular para pesquisas e prototipagem em aprendizado de máquina e visão computacional.
Uso#
Treine um modelo YOLO no Caltech-256 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="caltech256", epochs=100, imgsz=416)Imagens de exemplo e anotações#
O conjunto de dados Caltech-256 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 (crédito):
As amostras mostram a diversidade e a complexidade dos objetos no conjunto de dados Caltech-256, ressaltando o valor de um conjunto de dados variado para treinar modelos robustos de reconhecimento de objetos.
Citações e agradecimentos#
Se você usar o conjunto de dados Caltech-256 em suas pesquisas ou atividades de desenvolvimento, cite o artigo a seguir:
@article{griffin2007caltech,
title={Caltech-256 object category dataset},
author={Griffin, Gregory and Holub, Alex and Perona, Pietro},
year={2007}
}Gostaríamos de agradecer a Gregory Griffin, Alex Holub e Pietro Perona por criarem e manterem o conjunto de dados Caltech-256 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-256 e seus criadores, acesse o site do conjunto de dados Caltech-256.
Perguntas frequentes#
O conjunto de dados Caltech-256 é amplamente usado para treinar e avaliar modelos de classificação de imagens e reconhecimento de objetos. Ele contém 30.607 imagens em 256 categorias de objetos e uma classe de fundo, oferecendo uma referência maior e mais desafiadora que o Caltech-101 para avaliar algoritmos como redes neurais convolucionais (CNNs) e máquinas de vetores de suporte (SVMs).
Para treinar um modelo Ultralytics YOLO no Caltech-256, 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="caltech256", epochs=100, imgsz=416)O Caltech-256 contém 256 categorias de objetos e uma classe de fundo
257.clutter, totalizando 257 pastas de classes e 30.607 imagens. Ao treinar com Ultralytics, o modelo aprende todas as 257 classes. Cada categoria contém pelo menos 80 imagens, mas o tamanho das classes é desbalanceado, e a maior contém até cerca de 800 imagens.O Caltech-256 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 24.385 imagens de treinamento e 6.222 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-256 na nuvem, e você pode explorar mais opções na nossa visão geral dos conjuntos de dados de classificação.