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 görsel içeren bir veri kümesidir. Kategoriler, gerçek dünyadaki çeşitli nesneleri yansıtacak şekilde seçilmiş ve görsellerin kendileri, nesne tanıma algoritmaları için zorlu bir kıyaslama sağlamak amacıyla dikkatlice seçilip etiketlenmiştir.

Link to this sectionTemel Özellikler#

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

Link to this sectionVeri Kümesi Yapısı#

Birçok diğer veri kümesinin aksine, Caltech-101 veri kümesi resmi olarak eğitim ve test kümelerine bölünmemiştir. Kullanıcılar genellikle kendi özel ihtiyaçlarına göre kendi ayrımlarını oluştururlar. Bununla birlikte, yaygın bir uygulama, eğitim için rastgele bir görsel alt kümesi (örneğin, kategori başına 30 görsel) ve test için kalan görselleri kullanmaktır.

Link to this sectionUygulamalar#

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.

Link to this sectionKullanım#

Bir YOLO modelini Caltech-101 veri kümesi üzerinde 100 dönem boyunca eğitmek için aşağıdaki kod parçacıklarını kullanabilirsin. Kullanılabilir bağımsız değişkenlerin kapsamlı bir listesi için model Eğitim sayfasına bakabilirsin.

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, görsel sınıflandırma görevleri için iyi yapılandırılmış bir veri kümesi sağlayan çeşitli nesnelerin yüksek kaliteli renkli görsellerini içerir. İşte veri kümesinden bazı görsel 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#

Caltech-101 veri kümesini araştırmanda 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 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 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 kategori genelinde yaklaşık 9.000 görsel 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 veri kümesinden yararlanırlar.

Link to this sectionCaltech-101 veri kümesi üzerinde bir Ultralytics YOLO modelini nasıl eğitebilirim?#

Caltech-101 veri kümesi 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 detaylı bağımsız değişkenler ve seçenekler için model Eğitim sayfasına bakabilirsin.

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

Caltech-101 veri kümesi şunları içerir:

• 101 kategori genelinde yaklaşık 9.000 renkli görsel.
• Hayvanlar, araçlar ve ev eşyaları dahil olmak üzere çok çeşitli nesneleri kapsayan kategoriler.
• Kategori başına değişken görsel sayısı, genellikle 40 ile 800 arası.
• Değişken görsel 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 eder ve veri kümesini 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.

Link to this sectionCaltech-101 veri kümesi üzerinde model eğitmek için Ultralytics Platform kullanabilir miyim?#

Evet, Caltech-101 veri kümesi üzerinde model eğitmek için Ultralytics Platform kullanabilirsin. Ultralytics Platform, veri kümelerini yönetmek, modelleri eğitmek ve kapsamlı kodlama gerektirmeden bunları devreye almak için sezgisel bir platform sağlar. Detaylı bir rehber için Ultralytics Platform ile kendi özel modellerini nasıl eğiteceğine dair blog gönderisine bakabilirsin.