Dataset Caltech-256#
O conjunto de dados Caltech-256 é uma referência clássica de image classification com 30.607 imagens distribuídas por 256 categorias de objetos, além de uma classe de fundo. Cada categoria contém pelo menos 80 imagens de objetos do mundo real — animais, veículos, itens domésticos e pessoas —, o que o torna um sucessor maior e mais desafiador do Caltech-101 para modelos de reconhecimento de objetos.
Explora o Caltech-256 on Ultralytics Platform para visualizar amostras, inspecionar as estatísticas do conjunto de dados e cloná-lo para treino.
O Caltech-256 é distribuído sem uma divisão pré-definida de treino/validação. Os comandos de treinamento abaixo dividem automaticamente os dados em 80% para treino e 20% para validação, portanto não é necessária preparação manual.
Principais recursos#
- O Caltech-256 contém 30.607 imagens coloridas em 256 categorias de objetos mais uma classe de fundo
257.clutter(257 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 pelo menos 80 imagens, sendo que a maior chega a cerca de 800, portanto os tamanhos das classes são desequilibrados.
- As imagens possuem tamanhos e resoluções variáveis.
- O Caltech-256 é amplamente utilizado para avaliar algoritmos de image classification e reconhecimento de objetos.
Estrutura do Dataset#
O Caltech-256 é distribuído em 257 pastas — uma por classe, abrangendo 256 categorias de objetos mais uma classe de fundo 257.clutter —, sem nenhuma divisão pré-definida de treino/validação. Quando inicias o treino, o Ultralytics divide automaticamente as imagens para que os modelos treinem em todas as 257 classes sem necessidade de configuração manual:
- Classes: 257 (256 categorias de objetos + 1 de fundo)
- Total de imagens: 30.607
- Divisão treino/validação: automática 80% / 20% (≈24.385 treino, ≈6.222 validação)
- Imagens por classe: pelo menos 80 (desequilibrado, até cerca de 800)
Aplicações#
O conjunto de dados Caltech-256 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 grande contagem de categorias e imagens de alta qualidade tornam-no uma referência popular para pesquisas e prototipagem em machine learning e computer vision.
Uso#
Treina um modelo YOLO no Caltech-256 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="caltech256", epochs=100, imgsz=416)Exemplos de Imagens e Anotações#
O conjunto de dados Caltech-256 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 (credit):
As amostras mostram a diversidade e a complexidade dos objetos no conjunto de dados Caltech-256, destacando o valor de um conjunto de dados variado para o treinamento de modelos robustos de reconhecimento de objetos.
Citações e Agradecimentos#
Se você utilizar o conjunto de dados Caltech-256 em seu trabalho de pesquisa ou desenvolvimento, cite o seguinte artigo:
@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 investigação em machine learning e visão computacional. Para mais informações sobre o conjunto de dados Caltech-256 e os seus criadores, visita o Caltech-256 dataset website.
FAQ#
O conjunto de dados Caltech-256 é amplamente utilizado para treinar e avaliar modelos de image classification e reconhecimento de objetos. Contém 30.607 imagens em 256 categorias de objetos mais uma classe de fundo, fornecendo uma referência maior e mais desafiadora do que o Caltech-101 para algoritmos como Convolutional Neural Networks (CNNs) e Support Vector Machines (SVMs).
Para treinar um modelo Ultralytics YOLO no Caltech-256, utiliza os trechos de código abaixo. O conjunto de dados transfere-se 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="caltech256", epochs=100, imgsz=416)O Caltech-256 contém 256 categorias de objetos mais uma classe de fundo
257.clutter, totalizando 257 pastas de classes e 30.607 imagens. Quando treinas com o Ultralytics, o modelo aprende todas as 257 classes. Cada categoria contém pelo menos 80 imagens, mas os tamanhos das classes são desequilibrados, sendo que a maior contém até cerca de 800 imagens.O Caltech-256 não tem nenhuma divisão pré-definida. Na primeira vez que treinas, o Ultralytics divide-o automaticamente em 80% de treino / 20% de validação — cerca de 24.385 imagens de treino e 6.222 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 extensiva. É uma forma conveniente de executar experiências com o Caltech-256 na nuvem, e podes explorar mais opções na nossa classification datasets overview.