Caltech-256 Veri Kümesi#
Caltech-256 veri kümesi, 256 nesne kategorisi ve bir arka plan sınıfına yayılan 30.607 görüntülük klasik bir görüntü sınıflandırma kıyaslama veri kümesidir. Her kategoride hayvanlar, araçlar, ev eşyaları ve insanlar gibi gerçek dünya nesnelerinin en az 80 görüntüsü bulunur; bu da onu nesne tanıma modelleri için Caltech-101 veri kümesinden daha büyük ve zorlu bir ardıl hâline getirir.
Örnekleri önizlemek, veri kümesi istatistiklerini incelemek ve eğitim için klonlamak üzere Ultralytics Platform'da Caltech-256'yı keşfet.
İzle: Ultralytics YOLO26 ile Caltech-256 Veri Kümesini Kullanarak Görüntü Sınıflandırma Modeli Nasıl Eğitilir
Caltech-256, önceden tanımlanmış eğitim/doğrulama bölmesi olmadan sunulur. Aşağıdaki eğitim komutları veri kümesini otomatik olarak %80 eğitim / %20 doğrulama şeklinde böler; bu nedenle elle hazırlık yapman gerekmez.
Temel Özellikler#
- Caltech-256, 256 nesne kategorisine yayılan 30.607 renkli görüntü ve bir
257.clutterarka plan sınıfı içerir (toplam 257 sınıf klasörü). - Kategoriler hayvanlar, araçlar, ev eşyaları ve insanlar dahil çok çeşitli gerçek dünya nesnelerini kapsar.
- Her kategoride en az 80 görüntü bulunur; en büyük kategoride ise yaklaşık 800 görüntü vardır. 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 biri bir sınıfa karşılık gelen 257 klasör olarak dağıtılır; bu klasörler 256 nesne kategorisini ve bir 257.clutter arka plan sınıfını kapsar ve önceden tanımlanmış eğitim/doğrulama bölmesi içermez. Eğitimi başlattığında Ultralytics, görüntüleri otomatik olarak böler; böylece modeller herhangi bir elle 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, Evrişimli Sinir Ağları (CNNs) ve Destek Vektör Makineleri (SVMs) dâhil olmak üzere eğitmek ve değerlendirmek için yaygın olarak kullanılır. Çok sayıdaki kategorisi ve yüksek kaliteli görüntüleri, veri kümesini makine öğrenimi ve bilgisayarlı görü araştırmaları ve prototipleme için popüler bir kıyaslama veri kümesi hâline getirir.
Kullanım#
416 görüntü boyutunda, Caltech-256 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="caltech256", epochs=100, imgsz=416)Örnek Görüntüler ve Ek Açıklamalar#
Caltech-256 veri kümesi, görüntü sınıflandırma görevleri için iyi yapılandırılmış bir veri kümesi sunan, çeşitli nesnelerin yüksek kaliteli renkli görüntülerini içerir. Veri kümesindeki bazı görüntü örnekleri (kaynak):
Örnekler, Caltech-256 veri kümesindeki nesnelerin çeşitliliğini ve karmaşıklığını göstererek, sağlam nesne tanıma modellerini eğitmek için çeşitli bir veri kümesinin değerini vurgular.
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 oluşturarak ve sürdürerek makine öğrenimi ve bilgisayarlı görü araştırma topluluğuna değerli bir kaynak sunan 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.
Sık Sorulan Sorular#
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 sınıfına yayılan 30.607 görüntü içerir; Evrişimli Sinir Ağları (CNNs) ve Destek Vektör Makineleri (SVMs) gibi algoritmalar için Caltech-101'den daha büyük ve zorlu bir kıyaslama ortamı sunar.
Caltech-256 üzerinde bir Ultralytics YOLO modeli 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 # Bir model yükle model = YOLO("yolo26n-cls.pt") # Önceden eğitilmiş bir model yükle (eğitim için önerilir) # Modeli eğit 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 kategoride en az 80 görüntü vardır, ancak sınıf boyutları dengesizdir ve en büyük kategoride yaklaşık 800 görüntü bulunur.Caltech-256 için önceden tanımlanmış bir bölme yoktur. İlk eğitiminde Ultralytics, veri kümesini otomatik olarak %80 eğitim / %20 doğrulama şeklinde böler; böylece yaklaşık 24.385 eğitim ve 6.222 doğrulama görüntüsü elde edilir ve bölmeleri elle oluşturman gerekmez. Bölmeyi kendin belirlemek için eğitimden önce görüntüleri
train/veval/klasörlerine yerleştir.Evet. Ultralytics Platform, veri kümelerini yönetmeni, görüntü sınıflandırma modellerini eğitmeni ve kapsamlı kodlama yapmadan dağıtmanı sağlar. Caltech-256 deneylerini bulutta yürütmenin kullanışlı bir yoludur; ayrıca sınıflandırma veri kümelerine genel bakışımızda daha fazla seçeneği keşfedebilirsin.