Link to this sectionCaltech-101 Veri Kümesi#

Caltech-101 veri seti, 101 nesne kategorisi ve bir arka plan sınıfını kapsayan 9.144 görüntüden oluşan klasik bir görüntü sınıflandırma kıyaslama testidir. Her kategori, gerçek dünya nesnelerinin (hayvanlar, araçlar, ev eşyaları ve insanlar) yaklaşık 40 ila 800 görüntüsünü barındırır; bu da onu nesne tanıma modelleri için kompakt ancak zorlu bir kıyaslama testi haline getirir.

Link to this sectionTemel Özellikler#

• Caltech-101, 101 nesne kategorisi ve bir BACKGROUND_Google sınıfı genelinde 9.144 renkli görüntü içerir (toplamda 102 sınıf klasörü).
• 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, görüntü sınıflandırma ve nesne tanıma algoritmalarını kıyaslamak için yaygın olarak kullanılır.

Link to this sectionVeri Kümesi Yapısı#

Caltech-101, 101 nesne kategorisi artı bir BACKGROUND_Google sınıfını kapsayan, sınıf başına bir adet olmak üzere 102 klasör olarak dağıtılır ve önceden tanımlanmış bir eğitim/doğrulama ayrımı yoktur. Eğitimi başlattığında, Ultralytics modellerin herhangi bir manuel kurulum olmadan 102 sınıfın tamamında eğitilmesi için görüntüleri 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)

Link to this sectionUygulamalar#

Caltech-101 is widely used to train and evaluate image classification and object recognition models, including Convolutional Neural Networks (CNNs) and Support Vector Machines (SVMs). Its broad category coverage and clean, labeled images make it a popular benchmark for machine learning and computer vision research and prototyping.

Link to this sectionKullanım#

Bir YOLO modelini 416 görüntü boyutunda ve 100 dönem boyunca Caltech-101 üzerinde eğit. Mevcut argümanların 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)

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:

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.

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 seti, görüntü sınıflandırma ve nesne tanıma modellerini eğitmek ve kıyaslamak için yaygın olarak kullanılır. 101 nesne kategorisi ve bir arka plan sınıfı genelinde 9.144 görüntü içerir ve Evrişimli Sinir Ağları (CNN'ler) ve Destek Vektör Makineleri (SVM'ler) gibi algoritmaları değerlendirmek için zorlu bir kıyaslama testi sunar.

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

Bir Ultralytics YOLO modelini Caltech-101 üzerinde eğitmek için aşağıdaki kod parçacıklarını kullan. Veri seti ilk kullanımda otomatik olarak indirilir. Argümanların tam 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)

Link to this sectionCaltech-101 veri seti kaç sınıfa sahiptir?#

Caltech-101, 102 sınıf klasörü ve toplam 9.144 görüntü için 101 nesne kategorisi artı bir BACKGROUND_Google sınıfı içerir. Ultralytics ile eğitim yaptığında, model 102 sınıfın hepsini öğrenir. Kategori boyutları dengesizdir ve her biri yaklaşık 40 ila 800 görüntü arasında değişir.

Link to this sectionCaltech-101 veri seti, eğitim ve doğrulama setlerine nasıl bölünür?#

Caltech-101'in önceden tanımlanmış bir ayrımı yoktur. İlk kez eğitim yaptığında, Ultralytics onu otomatik olarak %80 eğitim / %20 doğrulama (yaklaşık 7.280 eğitim ve 1.864 doğrulama görüntüsü) şeklinde böler; bu nedenle ayrımları manuel olarak oluşturmana gerek yoktur. Ayrımı kendin kontrol etmek istersen, eğitimden önce görüntüleri train/ ve val/ klasörlerine düzenle.

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

Evet. Ultralytics Platform ile veri setlerini yönetebilir, görüntü sınıflandırma modellerini eğitebilir ve kapsamlı kodlama yapmadan bunları dağıtabilirsin. Bulutta Caltech-101 deneylerini çalıştırmak için kullanışlı bir yoldur ve daha fazla seçeneği sınıflandırma veri setleri genel bakış sayfamızda keşfedebilirsin.