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 kategorisine ve bir arka plan sınıfına yayılan 9.144 görsellik klasik bir görüntü sınıflandırma kıyaslama veri kümesidir. Her kategoride hayvanlar, araçlar, ev eşyaları ve insanlar gibi gerçek dünyadaki nesnelerden yaklaşık 40 ila 800 görsel bulunur; bu da veri kümesini kompakt ama zorlu bir nesne tanıma kıyaslama veri kümesi hâline getirir.

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

Temel Özellikler#

• Caltech-101, 101 nesne kategorisine ve bir BACKGROUND_Google sınıfına yayılan 9.144 renkli görsel içerir (toplam 102 sınıf klasörü).
• Kategoriler hayvanlar, araçlar, ev eşyaları ve insanlar dahil çok çeşitli gerçek dünya nesnelerini kapsar.
• Her kategoride yaklaşık 40 ila 800 görsel bulunur; bu nedenle sınıf boyutları dengesizdir.
• Görsellerin boyutları değişkendir; çoğu yaklaşık 300x200 pikseldir (orta çözünürlük).
• Caltech-101, görüntü sınıflandırma ve nesne tanıma algoritmalarını kıyaslamak için yaygın olarak kullanılır.

Veri Kümesi Yapısı#

Caltech-101, her biri bir sınıfa karşılık gelen 102 klasör hâlinde dağıtılır; bu klasörler 101 nesne kategorisini ve bir BACKGROUND_Google sınıfını kapsar. Önceden tanımlanmış bir eğitim/doğrulama bölünmesi yoktur. Eğitimi başlattığında Ultralytics, görselleri otomatik olarak bölümlere ayırır; böylece modeller 102 sınıfın tamamında elle kurulum yapmadan eğitilir:

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

Uygulamalar#

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

Kullanım#

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

from ultralytics import YOLO

# Bir model yükle
model = YOLO("yolo26n-cls.pt")  # Önceden eğitilmiş bir model yükle (eğitim için önerilir)

# Modeli eğit
results = model.train(data="caltech101", epochs=100, imgsz=416)

Örnek Görüntüler ve Ek Açıklamalar#

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

Örnekler, Caltech-101 için tipik olan kategori çeşitliliğini ve doğal, merkezî kadrajlamayı gösterir; bu özellikler veri kümesini sağlam nesne tanıma modellerini 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 oluşturup sürdürerek makine öğrenimi ve bilgisayarlı görü araştırma topluluğuna değerli bir kaynak olarak sunan 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.

Sık Sorulan Sorular#