YOLO Vision 2026:
CC BY 4.0

Набор данных Caltech-101#

Датасет Caltech-101 — это классический бенчмарк для image classification, содержащий 9144 изображения в 101 категории объектов плюс один фоновый класс. Каждая категория включает от 40 до 800 изображений реальных объектов — животных, транспортных средств, предметов домашнего обихода и людей — что делает его компактным, но сложным бенчмарком для моделей распознавания объектов.



Watch: How to Train Image Classification Model using Caltech-101 Dataset with Ultralytics Platform
Автоматическое разделение данных

Caltech-101 поставляется без заранее заданного разделения на обучающую и валидационную выборки. Приведенные ниже команды обучения автоматически разделяют его в пропорции 80% для обучения и 20% для валидации, поэтому ручная подготовка не требуется.

Ключевые особенности#

  • Caltech-101 содержит 9144 цветных изображения в 101 категории объектов плюс один класс BACKGROUND_Google (всего 102 папки классов).
  • Категории охватывают большое разнообразие реальных объектов, включая животных, транспортные средства, предметы домашнего обихода и людей.
  • Каждая категория содержит от 40 до 800 изображений, поэтому размеры классов несбалансированы.
  • Изображения имеют разный размер, в основном около 300x200 пикселей (среднее разрешение).
  • Caltech-101 широко используется для тестирования алгоритмов image classification и распознавания объектов.

Структура набора данных#

Caltech-101 распространяется в виде 102 папок (по одной на класс, включая 101 категорию объектов и класс BACKGROUND_Google) без предопределенного разделения на обучающую и валидационную выборки. Когда ты запускаешь обучение, Ultralytics автоматически распределяет изображения, чтобы модели обучались по всем 102 классам без какой-либо ручной настройки:

  • Классы: 102 (101 категория объектов + 1 фоновая)
  • Всего изображений: 9144
  • Разделение на обучение/валидацию: автоматически 80% / 20% (≈7280 для обучения, ≈1864 для валидации)
  • Изображений на класс: от 40 до 800 (несбалансировано)

Применение#

Caltech-101 широко используется для обучения и оценки моделей image classification и распознавания объектов, включая Convolutional Neural Networks (CNN) и Support Vector Machines (SVM). Широкий охват категорий и чистые размеченные изображения делают его популярным бенчмарком для исследований и прототипирования в области machine learning и computer vision.

Использование#

Обучи модель YOLO на Caltech-101 в течение 100 epochs при размере изображения 416. Полный список доступных аргументов см. на странице Training и в руководстве по задаче image classification.

Пример обучения
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 аннотации#

Датасет Caltech-101 содержит высококачественные цветные изображения различных объектов, предоставляя хорошо структурированный набор данных для задач image classification. Вот несколько примеров изображений из датасета:

Caltech-101 image classification dataset samples

Примеры демонстрируют разнообразие категорий и естественное центрированное кадрирование, типичное для Caltech-101, что делает его удобной отправной точкой для обучения надежных моделей распознавания объектов.

Цитирование и благодарности#

Если ты используешь набор данных Caltech-101 в своей исследовательской или проектной работе, пожалуйста, сошлися на следующую публикацию:

Цитата
@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 Ли Фэйфэй, Робу Фергюсу и Пьетро Пероне за создание и поддержку датасета Caltech-101 в качестве ценного ресурса для исследовательского сообщества в области машинного обучения и компьютерного зрения. Дополнительную информацию о датасете Caltech-101 и его создателях можно найти на сайте датасета Caltech-101.

FAQ#

  • Датасет Caltech-101 широко используется для обучения и оценки моделей image classification и распознавания объектов. Он содержит 9144 изображения в 101 категории объектов плюс фоновый класс, представляя собой сложный бенчмарк для оценки таких алгоритмов, как свёрточные Neural Networks (CNN) и машины опорных векторов (SVM).

  • Чтобы обучить модель Ultralytics YOLO на Caltech-101, используй приведенные ниже фрагменты кода. Датасет загружается автоматически при первом использовании. Полный список аргументов см. на странице модели Training.

    Пример обучения
    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)

  • Caltech-101 содержит 101 категорию объектов плюс один класс BACKGROUND_Google, что в общей сложности составляет 102 папки классов и 9144 изображения. Когда ты обучаешь с помощью Ultralytics, модель изучает все 102 класса. Размеры категорий несбалансированы: в каждой из них от 40 до 800 изображений.

  • У Caltech-101 нет предопределенного разделения. При первом обучении Ultralytics автоматически делит его в пропорции 80% обучения / 20% валидации (около 7280 изображений для обучения и 1864 для валидации), поэтому тебе не нужно создавать выборки вручную. Чтобы управлять разделением самостоятельно, перед началом обучения организуй изображения в папки train/ и val/.

  • Да. Ultralytics Platform позволяет управлять датасетами, обучать модели image classification и развертывать их без сложного программирования. Это удобный способ запускать эксперименты с Caltech-101 в облаке, а дополнительные варианты можно найти в нашем обзоре датасетов классификации.

Участники
GLglenn-jocher15RAraimbekovm2MAMatthewNoyce1RIRizwanMunawar1JKjk4e1

Комментарии