Caltech-101 Veri Seti

Caltech-101 veri kümesi, 101 nesne kategorisinden yaklaşık 9.000 görüntü içeren, nesne tanıma görevleri için yaygın olarak kullanılan bir veri kümesidir. Kategoriler, çeşitli gerçek dünya nesnelerini yansıtacak şekilde seçilmiştir ve görüntülerin kendileri, nesne tanıma algoritmaları için zorlu bir ölçüt sağlamak üzere dikkatlice seçilmiş ve açıklanmıştır.

Temel Özellikler

• Caltech-101 veri kümesi 101 kategoriye ayrılmış yaklaşık 9.000 renkli görüntüden oluşmaktadır.
• Kategoriler hayvanlar, araçlar, ev eşyaları ve insanlar da dahil olmak üzere çok çeşitli nesneleri kapsamaktadır.
• Kategori başına resim sayısı değişmekte olup, her kategoride yaklaşık 40 ila 800 resim bulunmaktadır.
• Görüntüler değişken boyutlardadır ve çoğu görüntü orta çözünürlüktedir.
• Caltech-101, özellikle nesne tanıma görevleri olmak üzere makine öğrenimi alanında eğitim ve test için yaygın olarak kullanılmaktadır.

Veri Kümesi Yapısı

Diğer birçok veri kümesinin aksine, Caltech-101 veri kümesi resmi olarak eğitim ve test kümelerine 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 kümesi üzerinde 100 epokluk bir YOLO modelini eğitmek için aşağıdaki kod parçacıklarını kullanabilirsiniz. Kullanılabilir bağımsız değişkenlerin kapsamlı bir listesi için Model Eğitimi sayfasına bakın.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n-cls.pt")  # load a pretrained model (recommended for training)

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

# Start training from a pretrained *.pt model
yolo classify train data=caltech101 model=yolo11n-cls.pt epochs=100 imgsz=416

Örnek Görüntüler ve Açıklamalar

Caltech-101 veri kümesi, çeşitli nesnelerin yüksek kaliteli renkli görüntülerini içerir ve nesne tanıma görevleri için iyi yapılandırılmış bir veri kümesi sağlar. İşte veri kümesinden bazı görüntü örnekleri:

Örnek, Caltech-101 veri kümesindeki nesnelerin çeşitliliğini ve karmaşıklığını göstermekte ve sağlam nesne tanıma modellerini eğitmek için çeşitli bir veri kümesinin önemini vurgulamaktadır.

Atıflar ve Teşekkür

Araştırma veya geliştirme çalışmalarınızda Caltech-101 veri setini kullanıyorsanız, lütfen aşağıdaki makaleye atıfta bulunun:

@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}
}

Li Fei-Fei, Rob Fergus ve Pietro Perona'ya Caltech-101 veri setini makine öğrenimi ve bilgisayarla görme araştırma topluluğu için değerli bir kaynak olarak oluşturdukları ve sürdürdükleri için teşekkür ederiz. Caltech-101 veri seti ve yaratıcıları hakkında daha fazla bilgi için Caltech-101 veri seti web sitesini ziyaret edin.

SSS

Caltech-101 veri seti makine öğreniminde ne için kullanılır?

The Caltech-101 dataset is widely used in machine learning for object recognition tasks. It contains around 9,000 images across 101 categories, providing a challenging benchmark for evaluating object recognition algorithms. Researchers leverage it to train and test models, especially Convolutional Neural Networks (CNNs) and Support Vector Machines (SVMs), in computer vision.

Caltech-101 veri kümesi üzerinde bir Ultralytics YOLO modelini nasıl eğitebilirim?

To train an Ultralytics YOLO model on the Caltech-101 dataset, you can use the provided code snippets. For example, to train for 100 epochs:

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n-cls.pt")  # load a pretrained model (recommended for training)

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

# Start training from a pretrained *.pt model
yolo classify train data=caltech101 model=yolo11n-cls.pt epochs=100 imgsz=416

Daha ayrıntılı argümanlar ve seçenekler için model Eğitim sayfasına bakın.

Caltech-101 veri setinin temel özellikleri nelerdir?

Caltech-101 veri seti şunları içerir:

• 101 kategoride yaklaşık 9.000 renkli resim.
• Hayvanlar, araçlar ve ev eşyaları da dahil olmak üzere çok çeşitli nesneleri kapsayan kategoriler.
• Kategori başına değişken sayıda resim, tipik olarak 40 ila 800 arasında.
• Çoğu orta çözünürlükte olmak üzere değişken görüntü boyutları.

These features make it an excellent choice for training and evaluating object recognition models in machine learning and computer vision.

Araştırmamda Caltech-101 veri setinden neden alıntı yapmalıyım?

Araştırmanızda Caltech-101 veri setine atıfta bulunmanız, 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}
}

Kaynak gösterme, akademik çalışmanın bütünlüğünün korunmasına yardımcı olur ve meslektaşların orijinal kaynağı bulmalarına yardımcı olur.

Caltech-101 veri setindeki modelleri eğitmek için Ultralytics HUB'ı kullanabilir miyim?

Evet, Caltech-101 veri setindeki modelleri eğitmek için Ultralytics HUB'ı kullanabilirsiniz. Ultralytics HUB, veri kümelerini yönetmek, modelleri eğitmek ve kapsamlı kodlama yapmadan bunları dağıtmak için sezgisel bir platform sağlar. Ayrıntılı bir kılavuz için Ultralytics HUB blog gönderisi ile özel modellerinizi nasıl eğiteceğinize bakın.

📅 1 yıl önce oluşturuldu ✏️ 1 ay önce güncellendi

Yorumlar