Link to this sectionCaltech-101 Veri Kümesi#

Caltech-101 veri kümesi, nesne tanıma görevleri için yaygın olarak kullanılan ve 101 nesne kategorisinden yaklaşık 9.000 görüntü içeren bir veri kümesidir. Kategoriler, gerçek dünyadaki çeşitli nesneleri yansıtacak şekilde seçilmiş olup görüntüler, nesne tanıma algoritmaları için zorlu bir kıyaslama sağlamak amacıyla özenle seçilmiş ve etiketlenmiştir.

Link to this sectionTemel Özellikler#

• Caltech-101 veri kümesi, 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, her kategoride yaklaşık 40 ila 800 görüntü olacak şekilde değişkenlik gösterir.
• Görüntüler değişken boyutlardadır ve çoğu orta çözünürlüktedir.
• Caltech-101, makine öğrenimi alanında, özellikle nesne tanıma görevleri için eğitim ve test amacıyla yaygın olarak kullanılır.

Link to this sectionVeri Kümesi Yapısı#

Diğer birçok veri kümesinin aksine, Caltech-101 veri kümesi resmen eğitim ve test kümelerine bölünmemiştir. Kullanıcılar genellikle kendi özel ihtiyaçlarına göre kendi ayrımlarını oluştururlar. Ancak, yaygın bir uygulama; eğitim için görüntülerin rastgele bir alt kümesini (örneğin, kategori başına 30 görüntü) ve test için geri kalan görüntüleri kullanmaktır.

Link to this sectionUygulamalar#

Caltech-101 veri kümesi, nesne tanıma görevlerinde derin öğrenme modellerini (örneğin, Evrişimli Sinir Ağları (CNN'ler), Destek Vektör Makineleri (SVM'ler) ve diğer çeşitli makine öğrenimi algoritmaları) eğitmek ve değerlendirmek için kapsamlı bir şekilde kullanılır. Kategorilerinin çeşitliliği ve yüksek kaliteli görüntüleri, onu makine öğrenimi ve bilgisayarlı görü alanındaki araştırma ve geliştirme için mükemmel bir veri kümesi haline getirir.

Link to this sectionKullanım#

Caltech-101 veri kümesinde 100 epoch boyunca bir YOLO modelini eğitmek için aşağıdaki kod parçacıklarını kullanabilirsin. Mevcut argümanların kapsamlı bir listesi için Eğitim modeli sayfasına başvur.

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)

Link to this sectionÖrnek Görüntüler ve Ek Açıklamalar#

Caltech-101 veri kümesi, görüntü sınıflandırma görevleri için iyi yapılandırılmış bir veri kümesi sağlayan, çeşitli nesnelere ait yüksek kaliteli renkli görüntüler içerir. İşte veri kümesinden bazı görüntü örnekleri:

Bu örnek, Caltech-101 veri kümesindeki nesnelerin çeşitliliğini ve karmaşıklığını sergileyerek, sağlam nesne tanıma modelleri eğitmek için çeşitli bir veri kümesinin önemini vurgular.

Link to this sectionAlıntılar 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 etmek isteriz. Caltech-101 veri kümesi ve yaratıcıları hakkında daha fazla bilgi için Caltech-101 veri kümesi web sitesini ziyaret et.

Link to this sectionSSS#

Link to this sectionCaltech-101 veri kümesi makine öğreniminde ne için kullanılır?#

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

Link to this sectionBir Ultralytics YOLO modelini Caltech-101 veri kümesinde nasıl eğitebilirim?#

Bir Ultralytics YOLO modelini Caltech-101 veri kümesinde eğitmek için sağlanan kod parçacıklarını kullanabilirsin. Örneğin, 100 epoch 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 detaylı argümanlar ve seçenekler için Eğitim modeli sayfasına göz at.

Link to this sectionCaltech-101 veri kümesinin temel özellikleri nelerdir?#

Caltech-101 veri kümesi 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 değişen sayıda görüntü; genellikle 40 ile 800 arasında.
• Değişken görüntü boyutları; çoğu orta çözünürlükte.

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

Link to this sectionAraştırmamda neden Caltech-101 veri kümesine atıfta bulunmalıyım?#

Araştırmanda Caltech-101 veri kümesine atıfta bulunmak, yaratıcıların katkılarını kabul etmeni sağlar ve veri kümesini kullanabilecek diğer kişiler için bir referans sunar. 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 bulmasına destek sağlar.

Link to this sectionCaltech-101 veri kümesinde modelleri eğitmek için Ultralytics Platform kullanabilir miyim?#

Evet, Caltech-101 veri kümesinde modelleri eğitmek için Ultralytics Platform kullanabilirsin. Ultralytics Platform, veri kümelerini yönetmek, modelleri eğitmek ve kapsamlı kodlama gerektirmeden dağıtmak için sezgisel bir platform sunar. Detaylı bir rehber için Ultralytics Platform ile kendi modellerini nasıl eğiteceğine dair blog yazısına başvur.