Conjunto de dados Caltech-256

O conjunto de dados Caltech-256 é uma extensa coleção de imagens utilizadas para tarefas de classificação de objectos. Contém cerca de 30.000 imagens divididas em 257 categorias (256 categorias de objectos e 1 categoria de fundo). As imagens são cuidadosamente seleccionadas e anotadas para fornecer uma referência desafiadora e diversificada para algoritmos de reconhecimento de objectos.

Observa: How to Train Classificação de imagens Model using Caltech-256 Dataset with Ultralytics HUB

Características principais

• O conjunto de dados Caltech-256 inclui cerca de 30.000 imagens a cores divididas em 257 categorias.
• Cada categoria contém um mínimo de 80 imagens.
• As categorias abrangem uma grande variedade de objectos do mundo real, incluindo animais, veículos, artigos domésticos e pessoas.
• As imagens são de tamanhos e resoluções variáveis.
• O Caltech-256 é amplamente utilizado para treino e teste no domínio da aprendizagem automática, em particular para tarefas de reconhecimento de objectos.

Estrutura do conjunto de dados

Tal como o Caltech-101, o conjunto de dados Caltech-256 não tem uma divisão formal entre os conjuntos de treino e de teste. Os utilizadores criam normalmente as suas próprias divisões de acordo com as suas necessidades específicas. Uma prática comum é utilizar um subconjunto aleatório de imagens para treino e as restantes imagens para teste.

Aplicações

The Caltech-256 dataset is extensively used for training and evaluating deep learning models in object recognition tasks, such as Convolutional Neural Networks (CNNs), Support Vector Machines (SVMs), and various other machine learning algorithms. Its diverse set of categories and high-quality images make it an invaluable dataset for research and development in the field of machine learning and computer vision.

Utilização

Para treinar um modelo YOLO no conjunto de dados Caltech-256 para 100 épocas, podes usar os seguintes trechos de código. Para obter uma lista abrangente dos argumentos disponíveis, consulta a página Treinamento do modelo.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n-cls.pt")  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data="caltech256", epochs=100, imgsz=416)

# Start training from a pretrained *.pt model
yolo classify train data=caltech256 model=yolo11n-cls.pt epochs=100 imgsz=416

Exemplos de imagens e anotações

O conjunto de dados Caltech-256 contém imagens a cores de alta qualidade de vários objectos, fornecendo um conjunto de dados abrangente para tarefas de reconhecimento de objectos. Eis alguns exemplos de imagens do conjunto de dados(crédito):

O exemplo mostra a diversidade e complexidade dos objectos no conjunto de dados Caltech-256, realçando a importância de um conjunto de dados variado para treinar modelos robustos de reconhecimento de objectos.

Citações e agradecimentos

Se utilizares o conjunto de dados Caltech-256 no teu trabalho de investigação ou desenvolvimento, cita o seguinte documento:

@article{griffin2007caltech,
         title={Caltech-256 object category dataset},
         author={Griffin, Gregory and Holub, Alex and Perona, Pietro},
         year={2007}
}

We would like to acknowledge Gregory Griffin, Alex Holub, and Pietro Perona for creating and maintaining the Caltech-256 dataset as a valuable resource for the machine learning and computer vision research community. For more information about the

O conjunto de dados Caltech-256 e os seus criadores, visita o sítio Web do conjunto de dados Caltech-256.

FAQ

O que é o conjunto de dados Caltech-256 e porque é que é importante para a aprendizagem automática?

O conjunto de dados Caltech-256 é um grande conjunto de dados de imagens utilizado principalmente para tarefas de classificação de objectos em aprendizagem automática e visão computacional. Consiste em cerca de 30.000 imagens a cores divididas em 257 categorias, abrangendo uma vasta gama de objectos do mundo real. As imagens diversificadas e de alta qualidade do conjunto de dados fazem dele uma excelente referência para avaliar algoritmos de reconhecimento de objectos, o que é crucial para desenvolver modelos robustos de aprendizagem automática.

Como posso treinar um modelo YOLO no conjunto de dados Caltech-256 utilizando Python ou CLI?

To train a YOLO model on the Caltech-256 dataset for 100 epochs, you can use the following code snippets. Refer to the model Training page for additional options.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n-cls.pt")  # load a pretrained model

# Train the model
results = model.train(data="caltech256", epochs=100, imgsz=416)

# Start training from a pretrained *.pt model
yolo classify train data=caltech256 model=yolo11n-cls.pt epochs=100 imgsz=416

Quais são os casos de utilização mais comuns para o conjunto de dados Caltech-256?

O conjunto de dados Caltech-256 é amplamente utilizado para várias tarefas de reconhecimento de objectos, tais como:

• Training Convolutional Neural Networks (CNNs)
• Evaluating the performance of Support Vector Machines (SVMs)
• Aferição de novos algoritmos de aprendizagem profunda
• Developing object detection models using frameworks like Ultralytics YOLO

A sua diversidade e anotações exaustivas tornam-no ideal para a investigação e desenvolvimento em aprendizagem automática e visão computacional.

Como é que o conjunto de dados Caltech-256 está estruturado e dividido para treino e teste?

O conjunto de dados Caltech-256 não vem com uma divisão predefinida para treino e teste. Normalmente, os utilizadores criam as suas próprias divisões de acordo com as suas necessidades específicas. Uma abordagem comum é selecionar aleatoriamente um subconjunto de imagens para treino e utilizar as restantes imagens para teste. Esta flexibilidade permite aos utilizadores adaptarem o conjunto de dados aos requisitos específicos do seu projeto e às configurações experimentais.

Por que razão devo utilizar Ultralytics YOLO para treinar modelos no conjunto de dados Caltech-256?

Ultralytics YOLO oferecem várias vantagens para o treino no conjunto de dados Caltech-256:

• Elevada precisão: os modelos YOLO são conhecidos pelo seu desempenho topo de gama em tarefas de deteção de objectos.
• Rapidez: Oferecem capacidades de inferência em tempo real, o que os torna adequados para aplicações que exigem previsões rápidas.
• Facilidade de utilização: Com o Ultralytics HUB, os utilizadores podem treinar, validar e implementar modelos sem uma codificação extensiva.
• Modelos pré-treinados: A partir de modelos pré-treinados, como yolo11n-cls.pt, can significantly reduce training time and improve model accuracy.

Para mais informações, consulta o nosso guia de formação completo.

📅 Created 11 months ago ✏️ Updated 22 days ago

Comentários