Caltech-101 Veri Kümesi#

9,144

Caltech-101

ultralytics

publicClassify

Caltech-101 is Li Fei-Fei, Rob Fergus, and Pietro Perona's classic 2004 image-classification benchmark. It spans 101 object categories plus background, with strong variation in object shape and relatively clean image composition for rapid recognition experiments.

102 classes194.3 MBSep 2, 2026

BACKGROUND_GoogleFacesFaces_easyLeopards+98

image-classificationcaltech101object-recognition+1

Caltech-101 veri kümesi, 101 nesne kategorisi ve bir arka plan sınıfına yayılan 9.144 görüntüden oluşan klasik bir görüntü sınıflandırma karşılaştırma kümesidir. Her kategoride hayvanlar, araçlar, ev eşyaları ve insanlar gibi gerçek dünya nesnelerinin yaklaşık 40 ila 800 görüntüsü bulunur; bu da veri kümesini nesne tanıma modelleri için kompakt ancak zorlu bir karşılaştırma kümesi hâline getirir.

Örnekleri önizlemek, veri kümesi istatistiklerini incelemek ve eğitim için klonlamak üzere Ultralytics Platform'da Caltech-101'i keşfet.

Temel Özellikler#

• Caltech-101, 101 nesne kategorisi ve bir BACKGROUND_Google sınıfı genelinde 9.144 renkli görüntü içerir (toplam 102 sınıf klasörü).
• Kategoriler; hayvanlar, araçlar, ev eşyaları ve insanlar dâhil olmak üzere çok çeşitli gerçek dünya nesnelerini kapsar.
• Her kategoride yaklaşık 40 ila 800 görüntü bulunur; bu nedenle sınıf boyutları dengesizdir.
• Görüntülerin boyutları değişkendir ve çoğu yaklaşık 300x200 pikseldir (orta çözünürlük).
• Caltech-101, görüntü sınıflandırma ve nesne tanıma algoritmalarını karşılaştırmalı olarak değerlendirmek için yaygın şekilde kullanılır.

Veri Kümesi Yapısı#

Caltech-101, her sınıf için bir klasör olmak üzere 102 klasör hâlinde dağıtılır; bu klasörler 101 nesne kategorisi ve bir BACKGROUND_Google sınıfını kapsar ve önceden tanımlanmış bir eğitim/doğrulama bölmesi içermez. Eğitimi başlattığında Ultralytics, görüntüleri otomatik olarak bölümlere ayırır; böylece modeller herhangi bir manuel kurulum olmadan 102 sınıfın tamamı üzerinde eğitilir:

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

Uygulamalar#

Caltech-101; Evrişimli Sinir Ağları (CNNs) ve Destek Vektör Makineleri (SVMs) dâhil olmak üzere görüntü sınıflandırma ve nesne tanıma modellerini eğitmek ve değerlendirmek için yaygın şekilde kullanılır. Geniş kategori kapsamı ve temiz, etiketli görüntüleri, veri kümesini makine öğrenimi ve bilgisayarlı görü araştırmaları ile prototipleme için popüler bir karşılaştırma kümesi hâline getirir.

Kullanım#

Bir YOLO modelini Caltech-101 üzerinde 416 görüntü boyutuyla 100 epoch boyunca eğit. Kullanılabilir bağımsız değişkenlerin tam listesi için Eğitim sayfasına ve görüntü sınıflandırma görev kılavuzuna bak.

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 Açıklamalar#

Caltech-101 veri kümesi, çeşitli nesnelerin yüksek kaliteli renkli görüntülerini içerir ve görüntü sınıflandırma görevleri için iyi yapılandırılmış bir veri kümesi sunar. Veri kümesindeki bazı görüntü örnekleri aşağıda verilmiştir:

Örnekler, kategori çeşitliliğini ve Caltech-101'e özgü doğal, merkezlenmiş kadrajı gösterir; bu da veri kümesini güçlü nesne tanıma modelleri eğitmek için temiz bir başlangıç noktası hâline getirir.

Atıflar ve Teşekkürler#

Caltech-101 veri kümesini araştırma veya geliştirme çalışmalarında kullanıyorsan 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 oluşturup sürdürdükleri için Li Fei-Fei, Rob Fergus ve Pietro Perona'ya teşekkür ederiz. Caltech-101 veri kümesi ve oluşturucuları hakkında daha fazla bilgi için Caltech-101 veri kümesi web sitesini ziyaret et.

SSS#