Caltech-101 Veri Kümesi#

9,144

Caltech-101

ultralytics

publicClassify

Caltech-101 is a classic image classification benchmark from Caltech containing 9,144 images across 101 object categories plus a background category. This production package uses a deterministic class-stratified 80/20 split with 7,280 training and 1,864 validation images, preserving all 102 classes and all source images. Created by Li Fei-Fei, Rob Fergus, and Pietro Perona. Licensed CC BY 4.0; please cite Learning Generative Visual Models from Few Training Examples (CVPR Workshop, 2004).

102 classes194.3 MBAug 21, 2026

BACKGROUND_GoogleFacesFaces_easyLeopards+98

image-classificationcaltech101object-recognition+1

Caltech-101 veri kümesi, 101 nesne kategorisi ve bir arka plan sınıfı olmak üzere toplam 9.144 görsel içeren klasik bir image classification kıyaslama testidir. Her kategori, gerçek dünyadaki nesnelerden (hayvanlar, araçlar, ev eşyaları ve insanlar) oluşan yaklaşık 40 ila 800 görsel içerir; bu da onu nesne tanıma modelleri için kompakt ama zorlu bir kıyaslama testi yapar.

Ultralytics Platform üzerinde Caltech-101 içeriğini inceleyerek örnekleri önizleyebilir, veri kümesi istatistiklerini kontrol edebilir ve eğitim için klonlayabilirsin.

Temel Özellikler#

• Caltech-101, 101 nesne kategorisi ve bir BACKGROUND_Google sınıfı genelinde (toplam 102 sınıf klasörü) 9.144 renkli görsel içerir.
• Kategoriler, hayvanlar, araçlar, ev eşyaları ve insanlar dahil olmak üzere çok çeşitli gerçek dünya nesnelerini kapsar.
• Her kategori yaklaşık 40 ila 800 görüntü içerir, bu nedenle sınıf boyutları dengesizdir.
• Görüntüler değişken boyutlardadır, çoğu yaklaşık 300x200 pikseldir (orta çözünürlük).
• Caltech-101, image classification ve nesne tanıma algoritmalarını kıyaslamak için yaygın olarak kullanılır.

Veri Kümesi Yapısı#

Caltech-101, önceden tanımlanmış bir eğitim/doğrulama bölünmesi olmaksızın, sınıf başına bir tane olmak üzere 101 nesne kategorisini ve bir BACKGROUND_Google sınıfını kapsayan 102 klasör olarak dağıtılır. Eğitimi başlattığında, modellerin manuel bir kurulum gerekmeden 102 sınıfın tümü üzerinden eğitilmesi için Ultralytics görselleri otomatik olarak bölümlere ayırır:

• Sınıflar: 102 (101 nesne kategorisi + 1 arka plan)
• Toplam görüntü: 9.144
• Eğitim/doğrulama ayrımı: otomatik %80 / %20 (≈7.280 eğitim, ≈1.864 doğrulama)
• Sınıf başına görüntü: yaklaşık 40 ila 800 (dengesiz)

Uygulamalar#

Convolutional Neural Networks (CNN'ler) ve Support Vector Machines (SVM'ler) dahil olmak üzere image classification ve nesne tanıma modellerini eğitmek ve değerlendirmek için Caltech-101 yaygın olarak kullanılır. Geniş kategori kapsamı ve temiz, etiketli görselleri, onu machine learning ve computer vision araştırmaları ile prototip oluşturma için popüler bir kıyaslama testi haline getirir.

Kullanım#

416 görsel boyutunda 100 epochs boyunca Caltech-101 üzerinde bir YOLO modeli eğit. Mevcut argümanların tam listesi için Training sayfasına ve image classification görev kılavuzuna göz at.

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)

Örnek Görüntüler ve Ek Açıklamalar#

Caltech-101 veri kümesi, çeşitli nesnelere ait yüksek kaliteli renkli görseller içerir ve image classification görevleri için iyi yapılandırılmış bir veri kümesi sağlar. Veri kümesinden bazı görsel örnekleri şunlardır:

Örnekler, kategorilerin çeşitliliğini ve Caltech-101'e özgü doğal, ortalanmış çerçevelemeyi gösterir; bu da onu sağlam nesne tanıma modelleri eğitmek için temiz bir başlangıç noktası haline getirir.

Alıntılar ve Teşekkür#

Eğer Caltech-101 veri kümesini araştırma veya geliştirme çalışmalarında kullanırsan, lütfen aşağıdaki makaleye atıfta bulun:

@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}
}

Caltech-101 veri kümesini makine öğrenimi ve bilgisayarlı görü araştırma topluluğu için değerli bir kaynak olarak oluşturdukları ve sürdürdükleri için Li Fei-Fei, Rob Fergus ve Pietro Perona'ya teşekkür ederiz. Caltech-101 veri kümesi ve yaratıcıları hakkında daha fazla bilgi için Caltech-101 dataset website adresini ziyaret et.

SSS#