Caltech-256 Veri Seti#

Caltech-256 veri seti, 256 nesne kategorisi ve bir arka plan sınıfı olmak üzere toplam 30.607 görüntü içeren klasik bir image classification kıyaslama testidir. Her kategori, hayvanlar, araçlar, ev eşyaları ve insanlar gibi gerçek dünya nesnelerine ait en az 80 görüntü barındırır; bu da onu nesne tanıma modelleri için Caltech-101 veri setinin daha büyük ve daha zorlu bir ardılı yapar.

Temel Özellikler#

• Caltech-256, 256 nesne kategorisi ve bir 257.clutter arka plan sınıfı genelinde 30.607 renkli görüntü içerir (toplamda 257 sınıf klasörü).
• Kategoriler, hayvanlar, araçlar, ev eşyaları ve insanlar dahil olmak üzere çok çeşitli gerçek dünya nesnelerini kapsar.
• Her kategori en az 80 görüntü içerir; en büyük kategori yaklaşık 800 görüntüye kadar çıktığından, sınıf boyutları dengesizdir.
• Görüntüler değişken boyutlarda ve çözünürlüklerdedir.
• Caltech-256, image classification ve nesne tanıma algoritmalarını kıyaslamak için yaygın olarak kullanılır.

Veri Kümesi Yapısı#

Caltech-256, önceden tanımlanmış bir eğitim/doğrulama ayrımı olmaksızın, 256 nesne kategorisini ve bir 257.clutter arka plan sınıfını kapsayan, sınıf başına bir tane olmak üzere 257 klasör olarak dağıtılır. Eğitimi başlattığınızda, Ultralytics modellerin herhangi bir manuel kurulum gerekmeden 257 sınıfın tümünde eğitilmesi için görüntüleri otomatik olarak bölüştürür:

• Sınıflar: 257 (256 nesne kategorisi + 1 arka plan)
• Toplam görüntü sayısı: 30.607
• Eğitim/doğrulama ayrımı: otomatik %80 / %20 (≈24.385 eğitim, ≈6.222 doğrulama)
• Sınıf başına görüntü sayısı: en az 80 (dengesiz, yaklaşık 800'e kadar çıkabilir)

Uygulamalar#

Caltech-256 veri seti, Convolutional Neural Networks (CNN'ler) ve Support Vector Machines (SVM'ler) dahil olmak üzere image classification ve nesne tanıma modellerini eğitmek ve değerlendirmek için yaygın olarak kullanılır. Sahip olduğu yüksek kategori sayısı ve yüksek kaliteli görseller, onu machine learning ve computer vision araştırmaları ile prototip oluşturma için popüler bir kıyaslama noktası haline getirir.

Kullanım#

Caltech-256 üzerinde 416 görüntü boyutunda 100 epochs boyunca bir YOLO modeli eğit. Kullanılabilir argümanların tam listesi için Training sayfasına ve image classification görev kılavuzuna göz at.

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 Ek Açıklamalar#

Caltech-256 veri seti, image classification görevleri için iyi yapılandırılmış bir veri seti sunan çeşitli nesnelere ait yüksek kaliteli renkli görüntüler içerir. İşte veri setinden bazı görüntü örnekleri (credit):

Örnekler, Caltech-256 veri setindeki nesnelerin çeşitliliğini ve karmaşıklığını göstererek, güçlü nesne tanıma modellerini eğitmek için değişken bir veri setinin değerinin altını çizmektedir.

Alıntılar ve Teşekkür#

Caltech-256 veri setini araştırma veya geliştirme çalışmalarında kullanıyorsan, lütfen şu 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 setini machine learning ve bilgisayarla görü araştırma topluluğu için değerli bir kaynak olarak oluşturdukları ve sürdürdükleri için Gregory Griffin, Alex Holub ve Pietro Perona'ya teşekkür ederiz. Caltech-256 veri seti ve yaratıcıları hakkında daha fazla bilgi edinmek için Caltech-256 dataset website adresini ziyaret et.

SSS#

Caltech-256 veri seti makine öğreniminde ne için kullanılır?#

Caltech-256 veri seti, image classification ve nesne tanıma modellerini eğitmek ve kıyaslamak için yaygın olarak kullanılır. 256 nesne kategorisi ve bir arka plan sınıfı genelinde 30.607 görüntü içerir; Convolutional Neural Networks (CNN'ler) ve Support Vector Machines (SVM'ler) gibi algoritmalar için Caltech-101'e kıyasla daha büyük ve daha zorlu bir kıyaslama testi sunar.

Bir Ultralytics YOLO modelini Caltech-256 veri seti üzerinde nasıl eğitebilirim?#

Caltech-256 üzerinde bir Ultralytics YOLO modeli eğitmek için aşağıdaki kod snippet'lerini kullan. Veri seti ilk kullanımda otomatik olarak indirilir. Argümanların tam listesi için model Training sayfasına göz at.

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)

Caltech-256 veri setinde kaç sınıf vardır?#

Caltech-256, toplam 257 sınıf klasörü ve 30.607 görüntü için 256 nesne kategorisi ile bir 257.clutter arka plan sınıfı içerir. Ultralytics ile eğittiğinde, model 257 sınıfın tümünü öğrenir. Her kategori en az 80 görüntü barındırır, ancak sınıf boyutları dengesizdir ve en büyüğü yaklaşık 800 görüntüye kadar çıkar.

Caltech-256 veri seti eğitim ve doğrulama setlerine nasıl bölünür?#

Caltech-256 önceden tanımlanmış bir ayrıma sahip değildir. İlk kez eğittiğinde, Ultralytics otomatik olarak %80 eğitim / %20 doğrulama olacak şekilde böler — yaklaşık 24.385 eğitim ve 6.222 doğrulama görüntüsü — bu sayede ayrımları manuel olarak oluşturman gerekmez. Ayrımı kendi kontrol etmek istersen, eğitimden önce görüntüleri train/ ve val/ klasörlerinde düzenle.

Caltech-256 veri seti üzerinde modelleri eğitmek için Ultralytics Platform kullanabilir miyim?#

Evet. Ultralytics Platform; veri setlerini yönetmene, image classification modelleri eğitmene ve bunları kapsamlı kodlama gerekmeden dağıtmana olanak tanır. Bulutta Caltech-256 denemeleri çalıştırmak için uygun bir yoldur ve classification datasets overview sayfamızda daha fazla seçenek keşfedebilirsin.