Набор данных Caltech-101#
Набор данных Caltech-101 — это классический бенчмарк для классификации изображений, содержащий 9 144 изображения, охватывающих 101 категорию объектов и один фоновый класс. Каждая категория содержит примерно от 40 до 800 изображений реальных объектов — животных, транспортных средств, предметов домашнего обихода и людей, — что делает этот набор данных компактным, но сложным бенчмарком для моделей распознавания объектов.
Открой Caltech-101 на платформе Ultralytics, чтобы просмотреть примеры, изучить статистику набора данных и клонировать его для обучения.
Caltech-101 поставляется без заранее заданного разбиения на обучающую и валидационную выборки. Приведённые ниже команды обучения автоматически разделяют данные в пропорции 80% для обучения и 20% для валидации, поэтому ручная подготовка не требуется.
Ключевые особенности#
- Caltech-101 содержит 9 144 цветных изображения в 101 категории объектов и одном классе
BACKGROUND_Google(всего 102 папки классов). - Категории охватывают широкий спектр реальных объектов, включая животных, транспортные средства, предметы домашнего обихода и людей.
- Каждая категория содержит примерно от 40 до 800 изображений, поэтому размеры классов несбалансированы.
- Изображения имеют разный размер; большинство из них — примерно 300x200 пикселей (среднее разрешение).
- Caltech-101 широко используется для оценки алгоритмов классификации изображений и распознавания объектов.
Структура датасета#
Caltech-101 распространяется в виде 102 папок — по одной на класс, охватывающих 101 категорию объектов и класс BACKGROUND_Google, — без заранее заданного разбиения на обучающую и валидационную выборки. При запуске обучения Ultralytics автоматически распределяет изображения, поэтому модели обучаются на всех 102 классах без ручной настройки:
- Классы: 102 (101 категория объектов + 1 фоновый класс)
- Всего изображений: 9 144
- Разбиение на обучающую и валидационную выборки: автоматически 80% / 20% (≈7 280 для обучения, ≈1 864 для валидации)
- Изображений на класс: примерно от 40 до 800 (несбалансированное распределение)
Применения#
Caltech-101 широко используется для обучения и оценки моделей классификации изображений и распознавания объектов, включая свёрточные нейронные сети (CNNs) и методы опорных векторов (SVMs). Широкий охват категорий и качественные размеченные изображения делают его популярным бенчмарком для исследований и прототипирования в области машинного обучения и компьютерного зрения.
Использование#
Обучи модель YOLO на Caltech-101 в течение 100 эпох с размером изображения 416. Полный список доступных аргументов см. на странице обучения и в руководстве по задаче классификации изображений.
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="caltech101", epochs=100, imgsz=416)Примеры изображений и аннотаций#
Набор данных Caltech-101 содержит высококачественные цветные изображения различных объектов и представляет собой хорошо структурированный набор данных для задач классификации изображений. Ниже приведены примеры изображений из набора данных:
Примеры демонстрируют разнообразие категорий и естественное центрированное кадрирование, характерное для Caltech-101, что делает этот набор данных удобной отправной точкой для обучения устойчивых моделей распознавания объектов.
Цитирование и благодарности#
Если ты используешь набор данных Caltech-101 в исследовательской или проектной работе, пожалуйста, процитируй следующую статью:
@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}
}Мы хотели бы выразить признательность Li Fei-Fei, Rob Fergus и Pietro Perona за создание и поддержку набора данных Caltech-101 как ценного ресурса для сообщества исследователей в области машинного обучения и компьютерного зрения. Дополнительную информацию о наборе данных Caltech-101 и его создателях см. на сайте набора данных Caltech-101.
Часто задаваемые вопросы#
Набор данных Caltech-101 широко используется для обучения и оценки моделей классификации изображений и распознавания объектов. Он содержит 9 144 изображения в 101 категории объектов и один фоновый класс, предоставляя сложный бенчмарк для оценки таких алгоритмов, как свёрточные нейронные сети (CNNs) и методы опорных векторов (SVMs).
Чтобы обучить модель Ultralytics YOLO на Caltech-101, используй приведённые ниже фрагменты кода. При первом использовании набор данных загружается автоматически. Полный список аргументов см. на странице обучения модели.
Пример обученияfrom 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="caltech101", epochs=100, imgsz=416)Caltech-101 содержит 101 категорию объектов и один класс
BACKGROUND_Google, то есть всего 102 папки классов и 9 144 изображения. При обучении с Ultralytics модель изучает все 102 класса. Размеры категорий несбалансированы и составляют примерно от 40 до 800 изображений на категорию.Caltech-101 не имеет заранее заданного разбиения. При первом обучении Ultralytics автоматически разделяет данные на 80% для обучения и 20% для валидации — примерно 7 280 обучающих и 1 864 валидационных изображения, — поэтому тебе не нужно создавать разбиение вручную. Чтобы самостоятельно управлять разбиением, до начала обучения организуй изображения в папки
train/иval/.Да. Платформа Ultralytics позволяет управлять наборами данных, обучать модели классификации изображений и развёртывать их без значительного объёма программирования. Это удобный способ проводить эксперименты с Caltech-101 в облаке; дополнительные возможности можно изучить в нашем обзоре наборов данных для классификации.