Набор данных Caltech-256#
Набор данных Caltech-256 — это классический эталонный набор для классификации изображений, включающий 30 607 изображений 256 категорий объектов и одного фонового класса. Каждая категория содержит не менее 80 изображений реальных объектов — животных, транспортных средств, предметов быта и людей, — что делает этот набор более крупным и сложным преемником Caltech-101 для моделей распознавания объектов.
Открой Caltech-256 на платформе Ultralytics, чтобы просмотреть примеры, изучить статистику набора данных и клонировать его для обучения.
Caltech-256 поставляется без заранее заданного разделения на обучающую и валидационную выборки. Приведенные ниже команды обучения автоматически разделяют его в пропорции 80% на обучение и 20% на валидацию, поэтому ручная подготовка не требуется.
Ключевые особенности#
- Caltech-256 содержит 30 607 цветных изображений 256 категорий объектов и одного фонового класса
257.clutter(всего 257 папок классов). - Категории охватывают широкий спектр реальных объектов, включая животных, транспортные средства, предметы домашнего обихода и людей.
- Каждая категория содержит не менее 80 изображений, а самая крупная — до примерно 800, поэтому размеры классов несбалансированы.
- Изображения имеют разные размеры и разрешения.
- Caltech-256 широко используется для тестирования алгоритмов классификации изображений и распознавания объектов.
Структура датасета#
Caltech-256 распространяется в виде 257 папок — по одной на каждый класс, охватывающих 256 категорий объектов и фоновый класс 257.clutter, — без заранее заданного разделения на обучающую и валидационную выборки. При запуске обучения Ultralytics автоматически разделяет изображения, поэтому модели обучаются на всех 257 классах без ручной настройки:
- Классы: 257 (256 категорий объектов + 1 фоновый класс)
- Всего изображений: 30 607
- Разделение на обучающую и валидационную выборки: автоматически 80% / 20% (≈24 385 для обучения, ≈6 222 для валидации)
- Изображений на класс: не менее 80 (несбалансированное распределение, до примерно 800)
Применения#
Набор данных Caltech-256 широко используется для обучения и оценки моделей классификации изображений и распознавания объектов, включая сверточные нейронные сети (CNNs) и методы опорных векторов (SVMs). Большое количество категорий и высокое качество изображений делают его популярным эталонным набором для исследований и прототипирования в области машинного обучения и компьютерного зрения.
Использование#
Обучи модель YOLO на Caltech-256 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="caltech256", epochs=100, imgsz=416)Примеры изображений и аннотаций#
Набор данных Caltech-256 содержит высококачественные цветные изображения различных объектов, предоставляя хорошо структурированный набор данных для задач классификации изображений. Ниже приведены примеры изображений из набора данных (источник):
Примеры демонстрируют разнообразие и сложность объектов в наборе данных Caltech-256, подчеркивая ценность разнообразного набора данных для обучения надежных моделей распознавания объектов.
Цитирование и благодарности#
Если ты используешь набор данных Caltech-256 в исследовательской или проектной работе, укажи следующую статью:
@article{griffin2007caltech,
title={Caltech-256 object category dataset},
author={Griffin, Gregory and Holub, Alex and Perona, Pietro},
year={2007}
}Мы хотели бы поблагодарить Gregory Griffin, Alex Holub и Pietro Perona за создание и поддержку набора данных Caltech-256 как ценного ресурса для сообщества исследователей в области машинного обучения и компьютерного зрения. Дополнительную информацию о наборе данных Caltech-256 и его создателях см. на веб-сайте набора данных Caltech-256.
Часто задаваемые вопросы#
Набор данных Caltech-256 широко используется для обучения и тестирования моделей классификации изображений и распознавания объектов. Он содержит 30 607 изображений 256 категорий объектов и фонового класса, предоставляя более крупный и сложный эталонный набор, чем Caltech-101, для таких алгоритмов, как сверточные нейронные сети (CNNs) и методы опорных векторов (SVMs).
Чтобы обучить модель Ultralytics YOLO на Caltech-256, используй приведенные 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="caltech256", epochs=100, imgsz=416)Caltech-256 содержит 256 категорий объектов и один фоновый класс
257.clutter, то есть всего 257 папок классов и 30 607 изображений. При обучении с Ultralytics модель изучает все 257 классов. Каждая категория содержит не менее 80 изображений, но размеры классов несбалансированы: в самой крупной категории может быть до примерно 800 изображений.В Caltech-256 нет заранее заданного разделения. При первой тренировке Ultralytics автоматически делит набор в пропорции 80% на обучение и 20% на валидацию — примерно 24 385 изображений для обучения и 6 222 для валидации, — поэтому тебе не нужно создавать разделения вручную. Чтобы самостоятельно управлять разделением, перед обучением организуй изображения в папки
train/иval/.Да. Платформа Ultralytics позволяет управлять наборами данных, обучать модели классификации изображений и развертывать их без сложного программирования. Это удобный способ проводить эксперименты с Caltech-256 в облаке; дополнительные возможности можно изучить в нашем обзоре наборов данных для классификации.