Начать

Датасет Caltech-256

Caltech-256 preview 1
Caltech-256 preview 2
Caltech-256 preview 3
Caltech-256 preview 4
30,592
Caltech-256
ultralytics
PublicClassify

Web photos of everyday objects and animals with a background clutter category, from Caltech's 2007 successor to Caltech-101. Images were gathered from Google Images and PicSearch and hand-screened, with more within-class variation than Caltech-101. Caltech defines no train/val split; the split here was made by Ultralytics at 80/20. Source: Griffin, Holub, Perona, "Caltech-256 Object Category Dataset," Caltech Technical Report 2007; data.caltech.edu/records/nyy15-4j048.

257 classes1.1 GBOct 23, 2026
airplanes-101ak47american-flagbackpack+253
image-classificationcaltech256object-recognition+1

Датасет Caltech-256 — классический бенчмарк для классификации изображений, содержащий 30 607 изображений из 256 категорий объектов и одного класса фона. В каждой категории не менее 80 изображений реальных объектов — животных, транспортных средств, предметов обихода и людей. Это более крупный и сложный преемник Caltech-101 для моделей распознавания объектов.

Открой Caltech-256 на Ultralytics Platform, чтобы просмотреть примеры, изучить статистику датасета и создать его копию для обучения.



Смотри: Как обучить модель классификации изображений на датасете Caltech-256 с помощью Ultralytics YOLO26
Автоматическое разделение данных

В Caltech-256 нет заранее заданного разделения на обучающую и валидационную выборки. Приведенные ниже команды обучения автоматически делят данные в соотношении 80/20, поэтому вручную подготавливать датасет не нужно.

Основные особенности#

  • Caltech-256 содержит 30 607 цветных изображений из 256 категорий объектов и один класс фона 257.clutter (всего 257 папок классов).
  • Категории охватывают множество реальных объектов, в том числе животных, транспортные средства, предметы быта и людей.
  • В каждой категории не менее 80 изображений, а в самой многочисленной — до примерно 800, поэтому классы несбалансированы.
  • Изображения имеют разные размеры и разрешения.
  • Caltech-256 широко используют для оценки алгоритмов классификации изображений и распознавания объектов.

Структура набора данных#

Caltech-256 распространяется в виде 257 папок — по одной на класс: 256 категорий объектов и класс фона 257.clutter. Заранее заданного разделения на обучающую и валидационную выборки нет. При запуске обучения Ultralytics автоматически распределяет изображения, поэтому модели обучаются на всех 257 классах без ручной настройки:

  • Классы: 257 (256 категорий объектов + 1 класс фона)
  • 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 (дисбаланс классов, до примерно 800)

Применение#

Датасет Caltech-256 широко используют для обучения и оценки моделей классификации изображений и распознавания объектов, в том числе сверточных нейронных сетей (CNNs) и метода опорных векторов (SVMs). Большое количество категорий и высокое качество изображений делают этот датасет популярным ориентиром для исследований и прототипирования в области машинного обучения и компьютерного зрения.

Использование#

Обучи модель YOLO26n-cls на наборе данных Caltech-256 в течение 100 эпох с размером изображения 416.

Пример обучения
from ultralytics import YOLO

# Загрузить модель
model = YOLO("yolo26n-cls.pt")  # загрузить предварительно обученную модель (рекомендуется для обучения)

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

Примеры изображений и аннотаций#

Датасет Caltech-256 содержит качественные цветные изображения различных объектов и хорошо структурирован для задач классификации изображений. Вот несколько примеров изображений из датасета (источник):

Примеры изображений из датасета Caltech-256 для классификации изображений

Примеры показывают разнообразие и сложность объектов в датасете Caltech-256 и подчеркивают ценность разнообразных данных для обучения устойчивых моделей распознавания объектов.

Цитирование и благодарности#

Если ты используешь датасет Caltech-256 в исследованиях или разработке, укажи в цитировании следующую статью:

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

Мы хотели бы поблагодарить Грегори Гриффина, Алекса Холуба и Пьетро Перону за создание и поддержку набора данных Caltech-256, который стал ценным ресурсом для сообщества исследователей машинного обучения и компьютерного зрения.

Часто задаваемые вопросы#

  • Датасет Caltech-256 широко используют для обучения и оценки моделей классификации изображений и распознавания объектов. Он содержит 30 607 изображений 256 категорий объектов и один фоновый класс, предоставляя более масштабный и сложный ориентир, чем Caltech-101, для алгоритмов вроде сверточных нейронных сетей (CNNs) и метода опорных векторов (SVMs).

  • Чтобы обучить модель Ultralytics YOLO на Caltech-256, воспользуйся приведенными ниже фрагментами кода. При первом использовании датасет загружается автоматически. Полный список аргументов смотри на странице обучения модели.

    Пример обучения
    from ultralytics import YOLO
    
    # Загрузить модель
    model = YOLO("yolo26n-cls.pt")  # загрузить предварительно обученную модель (рекомендуется для обучения)
    
    # Обучить модель
    results = model.train(data="caltech256", epochs=100, imgsz=416)
  • Caltech-256 содержит 256 категорий объектов и один класс фона 257.clutter, всего 257 папок классов и 30 607 изображений. При обучении с Ultralytics модель учится распознавать все 257 классов. В каждой категории не менее 80 изображений, однако классы несбалансированы: в самой многочисленной категории до примерно 800 изображений.

  • В Caltech-256 нет заранее заданного разделения. При первом запуске обучения Ultralytics автоматически делит датасет на 80% обучающих и 20% валидационных данных — примерно 24 385 обучающих и 6 222 валидационных изображения, — поэтому вручную создавать разделения не нужно. Чтобы задать разделение самостоятельно, перед обучением разложи изображения по папкам train/ и val/.

  • Да. Ultralytics Platform позволяет управлять датасетами, обучать модели классификации изображений и развертывать их без написания большого объема кода. Это удобный способ проводить эксперименты с Caltech-256 в облаке. Другие варианты ты найдешь в нашем обзоре датасетов для классификации.

Комментарии

Задай вопрос, поделись результатами или помоги кому-нибудь.