Caltech-101 Veri Seti

Caltech-101 veri seti, 101 nesne kategorisinden yaklaşık 9.000 görüntü içeren, nesne tanıma görevleri için yaygın olarak kullanılan bir veri setidir. Kategoriler, gerçek dünyadaki çeşitli nesneleri yansıtacak şekilde seçilmiş olup görüntülerin kendileri, nesne tanıma algoritmaları için zorlu bir kıyaslama sunmak üzere özenle seçilmiş ve açıklanmıştır.

Temel Özellikler

• Caltech-101 veri seti, 101 kategoriye ayrılmış yaklaşık 9.000 renkli görüntüden oluşur.
• Kategoriler; hayvanlar, araçlar, ev eşyaları ve insanlar dahil olmak üzere çok çeşitli nesneleri kapsar.
• Kategori başına düşen görüntü sayısı değişiklik gösterir; her kategoride yaklaşık 40 ila 800 görüntü bulunur.
• Görüntüler değişken boyutlardadır ve çoğu orta çözünürlüktedir.
• Caltech-101, makine öğrenimi alanında, özellikle nesne tanıma görevleri için eğitim ve test amacıyla yaygın olarak kullanılır.

Veri Kümesi Yapısı

Diğer birçok veri setinin aksine, Caltech-101 veri seti resmi olarak eğitim ve test setlerine ayrılmamıştır. Kullanıcılar genellikle kendi özel ihtiyaçlarına göre kendi ayrımlarını oluştururlar. Bununla birlikte, yaygın bir uygulama, eğitim için rastgele bir görüntü alt kümesi (örneğin, kategori başına 30 görüntü) ve test için kalan görüntüleri kullanmaktır.

Uygulamalar

The Caltech-101 dataset is extensively used for training and evaluating deep learning models in object recognition tasks, such as Convolutional Neural Networks (CNNs), Support Vector Machines (SVMs), and various other machine learning algorithms. Its wide variety of categories and high-quality images make it an excellent dataset for research and development in the field of machine learning and computer vision.

Kullanım

Caltech-101 veri seti üzerinde 100 dönem boyunca bir YOLO modeli eğitmek için aşağıdaki kod parçacıklarını kullanabilirsin. Kullanılabilir bağımsız değişkenlerin kapsamlı bir listesi için model Eğitim sayfasına 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 Ek Açıklamalar

Caltech-101 veri seti, görüntü sınıflandırma görevleri için iyi yapılandırılmış bir veri seti sağlayan, çeşitli nesnelerin yüksek kaliteli renkli görüntülerini içerir. İşte veri setinden bazı görüntü örnekleri:

Bu örnek, Caltech-101 veri setindeki nesnelerin çeşitliliğini ve karmaşıklığını sergileyerek, güçlü nesne tanıma modelleri eğitmek için çeşitli bir veri setinin önemini vurgular.

Alıntılar ve Teşekkür

Caltech-101 veri setini 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 setini 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 seti ve yaratıcıları hakkında daha fazla bilgi için Caltech-101 veri seti web sitesini ziyaret et.

SSS

Caltech-101 veri seti makine öğreniminde ne için kullanılır?

Caltech-101 veri seti, makine öğreniminde nesne tanıma görevleri için yaygın olarak kullanılır. 101 kategori genelinde yaklaşık 9.000 görüntü içerir ve nesne tanıma algoritmalarını değerlendirmek için zorlu bir kıyaslama sağlar. Araştırmacılar, bilgisayarlı görü alanında özellikle Evrişimli Sinir Ağlarını (CNN'ler) ve Destek Vektör Makinelerini (SVM'ler) eğitmek ve test etmek için bu setten yararlanırlar.

Caltech-101 veri seti üzerinde nasıl Ultralytics YOLO modeli eğitebilirim?

Caltech-101 veri seti üzerinde bir Ultralytics YOLO modeli eğitmek için sağlanan kod parçacıklarını kullanabilirsin. Örneğin, 100 dönem boyunca eğitmek için:

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)

Daha ayrıntılı bağımsız değişkenler ve seçenekler için model Eğitim sayfasına bak.

Caltech-101 veri setinin temel özellikleri nelerdir?

Caltech-101 veri seti şunları içerir:

• 101 kategori genelinde yaklaşık 9.000 renkli görüntü.
• Hayvanlar, araçlar ve ev eşyaları dahil olmak üzere çok çeşitli nesneleri kapsayan kategoriler.
• Kategori başına genellikle 40 ile 800 arasında değişen değişken sayıda görüntü.
• Çoğu orta çözünürlükte olan değişken görüntü boyutları.

Bu özellikler, onu makine öğrenimi ve bilgisayarlı görü alanında nesne tanıma modellerini eğitmek ve değerlendirmek için mükemmel bir seçim haline getirir.

Araştırmamda neden Caltech-101 veri setine atıfta bulunmalıyım?

Araştırmanda Caltech-101 veri setine atıfta bulunmak, yaratıcıların katkılarını kabul eder ve veri setini kullanabilecek diğer kişiler için bir referans sağlar. Önerilen atıf şöyledir:

@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}
}

Atıfta bulunmak, akademik çalışmanın bütünlüğünü korumaya yardımcı olur ve meslektaşlarının orijinal kaynağı bulmalarına destek olur.

Caltech-101 veri seti üzerinde modelleri eğitmek için Ultralytics Platform'u kullanabilir miyim?

Evet, Caltech-101 veri seti üzerinde model eğitmek için Ultralytics Platform kullanabilirsin. Ultralytics Platform; veri setlerini yönetmek, modelleri eğitmek ve kapsamlı kodlama gerektirmeden bunları dağıtmak için sezgisel bir platform sağlar. Ayrıntılı bir kılavuz için Ultralytics Platform ile özel modellerini nasıl eğiteceğine dair blog gönderisine bak.