Набор данных Caltech-256#
Датасет Caltech-256 — это классический бенчмарк image classification, содержащий 30 607 изображений в 256 категориях объектов плюс один фоновый класс. В каждой категории представлено не менее 80 изображений реальных объектов — животных, транспорта, предметов быта и людей, что делает его более крупным и сложным преемником Caltech-101 для моделей распознавания объектов.
Изучи Caltech-256 on Ultralytics Platform, чтобы просмотреть примеры, изучить статистику датасета и клонировать его для обучения.
Caltech-256 поставляется без предопределенного разделения на обучающую и валидационную выборки. Приведенные ниже команды обучения автоматически разделяют его в пропорции 80% обучения / 20% валидации, поэтому ручная подготовка не требуется.
Ключевые особенности#
- Caltech-256 содержит 30 607 цветных изображений в 256 категориях объектов плюс один фоновый класс
257.clutter(всего 257 папок классов). - Категории охватывают большое разнообразие реальных объектов, включая животных, транспортные средства, предметы домашнего обихода и людей.
- Каждая категория содержит не менее 80 изображений, а самая большая — до 800, поэтому размеры классов несбалансированы.
- Изображения имеют переменные размеры и разрешение.
- Caltech-256 широко используется для тестирования алгоритмов image classification и распознавания объектов.
Структура набора данных#
Caltech-256 поставляется в виде 257 папок — по одной на класс, охватывающих 256 категорий объектов плюс фоновый класс 257.clutter, — без предварительно определенного разделения на обучающую и валидационную выборки. Когда ты запускаешь обучение, Ultralytics автоматически распределяет изображения так, чтобы модели обучались по всем 257 классам без какой-либо ручной настройки:
- Классы: 257 (256 категорий объектов + 1 фоновый)
- Всего изображений: 30 607
- Разделение на обучение/валидацию: автоматическое 80% / 20% (≈24 385 обучение, ≈6 222 валидация)
- Изображений на класс: не менее 80 (несбалансировано, до 800)
Применение#
Датасет Caltech-256 широко используется для обучения и оценки моделей image classification и распознавания объектов, включая Convolutional Neural Networks (CNN) и Support Vector Machines (SVM). Большое количество категорий и высококачественные изображения делают его популярным бенчмарком для исследований и прототипирования в области machine learning и computer vision.
Использование#
Обучи модель YOLO на Caltech-256 в течение 100 epochs при размере изображения 416. Полный список доступных аргументов смотри на странице Training и в руководстве по задаче 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)Примеры изображений и аннотации#
Датасет Caltech-256 содержит высококачественные цветные изображения различных объектов, представляя собой хорошо структурированный набор данных для задач image classification. Вот несколько примеров изображений из датасета (credit):
Примеры демонстрируют разнообразие и сложность объектов в наборе данных Caltech-256, подчеркивая ценность разнообразных данных для обучения надежных моделей распознавания объектов.
Цитирование и благодарности#
Если ты используешь набор данных Caltech-256 в своих исследованиях или разработках, пожалуйста, сошлися на следующую статью:
@article{griffin2007caltech,
title={Caltech-256 object category dataset},
author={Griffin, Gregory and Holub, Alex and Perona, Pietro},
year={2007}
}Мы выражаем благодарность Грегори Гриффину (Gregory Griffin), Алексу Холубу (Alex Holub) и Пьетро Пероне (Pietro Perona) за создание и поддержку датасета Caltech-256 в качестве ценного ресурса для исследовательского сообщества machine learning и компьютерного зрения. Для получения дополнительной информации о датасете Caltech-256 и его создателях посети веб-сайт датасета Caltech-256.
FAQ#
Датасет Caltech-256 широко используется для обучения и оценки image classification и моделей распознавания объектов. Он содержит 30 607 изображений в 256 категориях объектов плюс фоновый класс, представляя собой более крупный и сложный бенчмарк по сравнению с Caltech-101 для таких алгоритмов, как сверточные Neural Networks (CNN) и опорных векторов (SVM).
Чтобы обучить модель Ultralytics YOLO на Caltech-256, используй приведенные ниже фрагменты кода. Датасет загружается автоматически при первом использовании. Полный список аргументов смотри на странице Training 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 плюс один фоновый класс
257.clutter, что в сумме составляет 257 папок классов и 30 607 изображений. Когда ты обучаешься с помощью Ultralytics, модель изучает все 257 классов. Каждая категория содержит не менее 80 изображений, но размеры классов несбалансированы: в самых крупных содержится до 800 изображений.У Caltech-256 нет предопределенного разделения. При первом обучении Ultralytics автоматически делит его в пропорции 80% для обучения / 20% для валидации — примерно 24 385 обучающих и 6 222 валидационных изображения, — поэтому тебе не нужно создавать выборки вручную. Чтобы настроить разделение самостоятельно, перед началом обучения организуй изображения в папки
train/иval/.Да. Ultralytics Platform позволяет управлять датасетами, обучать модели image classification и развертывать их без написания большого объема кода. Это удобный способ запускать эксперименты с Caltech-256 в облаке, а дополнительные варианты можно найти в нашем обзоре датасетов для классификации.