Caltech-256 Veri Kümesi#
Caltech-256 veri kümesi, 256 nesne kategorisi ve bir arka plan sınıfına yayılan 30.607 görüntüden oluşan klasik bir görüntü sınıflandırma kıyaslama veri kümesidir. Her kategori, hayvanlar, araçlar, ev eşyaları ve insanlar gibi gerçek dünya nesnelerinin en az 80 görüntüsünü içerir; bu da onu nesne tanıma modelleri için Caltech-101'in daha büyük ve daha zorlu bir halefi yapar.
Örnekleri önizlemek, veri kümesi istatistiklerini incelemek ve eğitim için klonlamak üzere Ultralytics Platform'da Caltech-256'yı keşfet.
Caltech-256, önceden tanımlanmış bir eğitim/doğrulama bölmesine sahip değildir. Aşağıdaki eğitim komutları veri kümesini otomatik olarak %80 eğitim / %20 doğrulama olarak böler; bu nedenle manuel hazırlık gerekmez.
Temel Özellikler#
- Caltech-256, 256 nesne kategorisi ve bir
257.clutterarka plan sınıfı genelinde 30.607 renkli görüntü içerir (toplam 257 sınıf klasörü). - Kategoriler; hayvanlar, araçlar, ev eşyaları ve insanlar dâhil olmak üzere çok çeşitli gerçek dünya nesnelerini kapsar.
- Her kategori en az 80 görüntü içerir; en büyük kategoride yaklaşık 800 görüntü bulunur. Bu nedenle sınıf boyutları dengesizdir.
- Görüntülerin boyutları ve çözünürlükleri değişkendir.
- Caltech-256, görüntü sınıflandırma ve nesne tanıma algoritmalarını kıyaslamak için yaygın olarak kullanılır.
Veri Kümesi Yapısı#
Caltech-256, her sınıf için bir tane olmak üzere 257 klasör halinde dağıtılır; bu klasörler 256 nesne kategorisi ile bir 257.clutter arka plan sınıfını kapsar ve önceden tanımlanmış bir eğitim/doğrulama bölmesi içermez. Eğitimi başlattığında Ultralytics, görüntüleri otomatik olarak bölümlere ayırır; böylece modeller herhangi bir manuel kurulum gerektirmeden 257 sınıfın tamamında eğitilir:
- Sınıflar: 257 (256 nesne kategorisi + 1 arka plan)
- Toplam görüntü: 30.607
- Eğitim/doğrulama bölmesi: otomatik %80 / %20 (≈24.385 eğitim, ≈6.222 doğrulama)
- Sınıf başına görüntü: en az 80 (dengesiz, yaklaşık 800'e kadar)
Uygulamalar#
Caltech-256 veri kümesi, görüntü sınıflandırma ve nesne tanıma modellerini eğitmek ve değerlendirmek için yaygın olarak kullanılır; bunlara Evrişimli Sinir Ağları (CNN'ler) ve Destek Vektör Makineleri (SVM'ler) dahildir. Yüksek kategori sayısı ve kaliteli görüntüleri, onu makine öğrenimi ve bilgisayarlı görü araştırmaları ile prototipleme için popüler bir kıyaslama veri kümesi yapar.
Kullanım#
Caltech-256 üzerinde bir YOLO modelini 416 görüntü boyutuyla 100 epoch boyunca eğit. Kullanılabilir bağımsız değişkenlerin 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="caltech256", epochs=100, imgsz=416)Örnek Görüntüler ve Açıklamalar#
Caltech-256 veri kümesi, çeşitli nesnelerin yüksek kaliteli renkli görüntülerini içerir ve görüntü sınıflandırma görevleri için iyi yapılandırılmış bir veri kümesi sağlar. Veri kümesindeki görüntülerden bazı örnekleri aşağıda görebilirsin (kaynak):
Örnekler, Caltech-256 veri kümesindeki nesnelerin çeşitliliğini ve karmaşıklığını göstererek, sağlam nesne tanıma modelleri eğitmek için çeşitli bir veri kümesinin değerini ortaya koyar.
Atıflar ve Teşekkürler#
Caltech-256 veri kümesini araştırma veya geliştirme çalışmalarında kullanıyorsan lütfen aşağıdaki makaleye atıfta bulun:
@article{griffin2007caltech,
title={Caltech-256 object category dataset},
author={Griffin, Gregory and Holub, Alex and Perona, Pietro},
year={2007}
}Caltech-256 veri kümesini makine öğrenimi ve bilgisayarlı görü araştırma topluluğu için değerli bir kaynak olarak oluşturan ve sürdüren Gregory Griffin, Alex Holub ve Pietro Perona'ya teşekkür ederiz. Caltech-256 veri kümesi ve oluşturucuları hakkında daha fazla bilgi için Caltech-256 veri kümesi web sitesini ziyaret et.
SSS#
Caltech-256 veri kümesi, görüntü sınıflandırma ve nesne tanıma modellerini eğitmek ve kıyaslamak için yaygın olarak kullanılır. Veri kümesi, 256 nesne kategorisi ve bir arka plan sınıfı genelinde 30.607 görüntü içerir ve Evrişimli Sinir Ağları (CNN'ler) ve Destek Vektör Makineleri (SVM'ler) gibi algoritmalar için Caltech-101'den daha büyük ve daha zorlu bir kıyaslama sunar.
Caltech-256 üzerinde bir Ultralytics YOLO modelini eğitmek için aşağıdaki kod parçacıklarını kullan. Veri kümesi ilk kullanımda otomatik olarak indirilir. Bağımsız değişkenlerin tam listesi için modelin Eğitim sayfasına bak.
Eğitim Örneğifrom 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="caltech256", epochs=100, imgsz=416)Caltech-256, 256 nesne kategorisi ve bir
257.clutterarka plan sınıfı içerir; toplamda 257 sınıf klasörü ve 30.607 görüntü bulunur. Ultralytics ile eğitim yaptığında model 257 sınıfın tamamını öğrenir. Her kategori en az 80 görüntü içerir, ancak sınıf boyutları dengesizdir ve en büyük kategoride yaklaşık 800 görüntü bulunur.Caltech-256'nın önceden tanımlanmış bir bölmesi yoktur. İlk kez eğitim yaptığında Ultralytics veri kümesini otomatik olarak %80 eğitim / %20 doğrulama şeklinde böler; bu da yaklaşık 24.385 eğitim ve 6.222 doğrulama görüntüsü demektir. Böylece bölmeleri manuel olarak oluşturman gerekmez. Bölmeyi kendin denetlemek için eğitimden önce görüntüleri
train/veval/klasörleri içinde düzenle.Evet. Ultralytics Platform, veri kümelerini yönetmene, görüntü sınıflandırma modelleri eğitmene ve bunları kapsamlı kodlama gerektirmeden dağıtmana olanak tanır. Caltech-256 deneylerini bulutta çalıştırmak için kullanışlı bir yöntemdir; ayrıca sınıflandırma veri kümelerine genel bakışımızda daha fazla seçeneği keşfedebilirsin.