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

Caltech-101 veri kümesi, Evrişimli Sinir Ağları (CNN'ler), Destek Vektör Makineleri (SVM'ler) ve diğer çeşitli makine öğrenimi algoritmaları gibi nesne tanıma görevlerinde derin öğrenme modellerini eğitmek ve değerlendirmek için yaygın olarak kullanılmaktadır. Çok çeşitli kategorileri ve yüksek kaliteli görüntüleri, onu makine öğrenimi ve bilgisayarla görme alanında araştırma ve geliştirme için mükemmel bir veri kümesi haline getirmektedir.

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('yolov8n-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 detect train data=caltech101 model=yolov8n-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.

Yorumlar