Caltech-256 Veri Kümesi

Caltech-256 veri kümesi, nesne sınıflandırma görevleri için kullanılan kapsamlı bir görüntü koleksiyonudur. Yaklaşık 30.000 görüntüyü 257 kategoriye (256 nesne kategorisi ve 1 arka plan kategorisi) ayırmaktadır. Görüntüler, nesne tanıma algoritmaları için zorlu ve çeşitli bir ölçüt sağlamak üzere özenle seçilmiş ve açıklanmıştır.

İzle: How to Train Görüntü Sınıflandırma Model using Caltech-256 Dataset with Ultralytics HUB

Temel Özellikler

• Caltech-256 veri seti 257 kategoriye ayrılmış yaklaşık 30.000 renkli görüntüden oluşmaktadır.
• Her kategori en az 80 resim içermektedir.
• Kategoriler hayvanlar, araçlar, ev eşyaları ve insanlar da dahil olmak üzere çok çeşitli gerçek dünya nesnelerini kapsamaktadır.
• Görseller değişken boyut ve çözünürlüktedir.
• Caltech-256, özellikle nesne tanıma görevleri olmak üzere makine öğrenimi alanında eğitim ve test için yaygın olarak kullanılmaktadır.

Veri Kümesi Yapısı

Caltech-101 gibi, Caltech-256 veri kümesinde de eğitim ve test kümeleri arasında resmi bir ayrım yoktur. Kullanıcılar genellikle kendi özel ihtiyaçlarına göre kendi ayrımlarını oluştururlar. Yaygın bir uygulama, eğitim için rastgele bir görüntü alt kümesi ve test için kalan görüntüleri kullanmaktır.

Uygulamalar

The Caltech-256 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 diverse set of categories and high-quality images make it an invaluable dataset for research and development in the field of machine learning and computer vision.

Kullanım

Caltech-256 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="caltech256", epochs=100, imgsz=416)

# Start training from a pretrained *.pt model
yolo classify train data=caltech256 model=yolo11n-cls.pt epochs=100 imgsz=416

Örnek Görüntüler ve Açıklamalar

Caltech-256 veri kümesi, çeşitli nesnelerin yüksek kaliteli renkli görüntülerini içerir ve nesne tanıma görevleri için kapsamlı bir veri kümesi sağlar. İşte veri kümesinden bazı görüntü örnekleri(kredi):

Örnek, Caltech-256 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-256 veri setini kullanıyorsanız, lütfen aşağıdaki makaleye atıfta bulunun:

@article{griffin2007caltech,
         title={Caltech-256 object category dataset},
         author={Griffin, Gregory and Holub, Alex and Perona, Pietro},
         year={2007}
}

We would like to acknowledge Gregory Griffin, Alex Holub, and Pietro Perona for creating and maintaining the Caltech-256 dataset as a valuable resource for the machine learning and computer vision research community. For more information about the

Caltech-256 veri seti ve yaratıcıları için Caltech-256 veri seti web sitesini ziyaret edin.

SSS

Caltech-256 veri seti nedir ve makine öğrenimi için neden önemlidir?

Caltech-256 veri kümesi, öncelikle makine öğrenimi ve bilgisayarla görmede nesne sınıflandırma görevleri için kullanılan büyük bir görüntü veri kümesidir. Çok çeşitli gerçek dünya nesnelerini kapsayan 257 kategoriye ayrılmış yaklaşık 30.000 renkli görüntüden oluşur. Veri setinin çeşitli ve yüksek kaliteli görüntüleri, onu nesne tanıma algoritmalarını değerlendirmek için mükemmel bir ölçüt haline getirir ve bu da sağlam makine öğrenimi modelleri geliştirmek için çok önemlidir.

Python veya CLI kullanarak Caltech-256 veri kümesi üzerinde bir YOLO modelini nasıl eğitebilirim?

To train a YOLO model on the Caltech-256 dataset for 100 epochs, you can use the following code snippets. Refer to the model Training page for additional options.

from ultralytics import YOLO

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

# Train the model
results = model.train(data="caltech256", epochs=100, imgsz=416)

# Start training from a pretrained *.pt model
yolo classify train data=caltech256 model=yolo11n-cls.pt epochs=100 imgsz=416

Caltech-256 veri seti için en yaygın kullanım durumları nelerdir?

Caltech-256 veri kümesi, aşağıdaki gibi çeşitli nesne tanıma görevleri için yaygın olarak kullanılmaktadır:

• Training Convolutional Neural Networks (CNNs)
• Evaluating the performance of Support Vector Machines (SVMs)
• Yeni derin öğrenme algoritmalarının kıyaslanması
• Developing object detection models using frameworks like Ultralytics YOLO

Çeşitliliği ve kapsamlı açıklamaları, makine öğrenimi ve bilgisayarla görme alanlarında araştırma ve geliştirme için idealdir.

Caltech-256 veri seti eğitim ve test için nasıl yapılandırılmış ve bölünmüştür?

Caltech-256 veri kümesi, eğitim ve test için önceden tanımlanmış bir ayrımla birlikte gelmez. Kullanıcılar genellikle kendi özel ihtiyaçlarına göre kendi ayrımlarını oluştururlar. Yaygın bir yaklaşım, eğitim için rastgele bir görüntü alt kümesi seçmek ve kalan görüntüleri test için kullanmaktır. Bu esneklik, kullanıcıların veri setini kendi özel proje gereksinimlerine ve deneysel kurulumlarına göre uyarlamalarına olanak tanır.

Caltech-256 veri setindeki modelleri eğitmek için neden Ultralytics YOLO adresini kullanmalıyım?

Ultralytics YOLO modelleri, Caltech-256 veri kümesi üzerinde eğitim için çeşitli avantajlar sunar:

• Yüksek Doğruluk: YOLO modelleri, nesne algılama görevlerinde son teknoloji performanslarıyla bilinir.
• Hız: Gerçek zamanlı çıkarım yetenekleri sağlarlar, bu da onları hızlı tahminler gerektiren uygulamalar için uygun hale getirir.
• Kullanım Kolaylığı: Ultralytics HUB ile kullanıcılar kapsamlı kodlama yapmadan modelleri eğitebilir, doğrulayabilir ve dağıtabilir.
• Önceden Eğitilmiş Modeller: Önceden eğitilmiş modellerden başlayarak, örneğin yolo11n-cls.pt, can significantly reduce training time and improve model doğruluk.

Daha fazla ayrıntı için kapsamlı eğitim kılavuzumuzu inceleyin.

📅 1 yıl önce oluşturuldu ✏️ 1 ay önce güncellendi

Yorumlar