Link to this sectionCaltech-256 Veri Seti#

Caltech-256 veri seti, 256 nesne kategorisi ve bir arka plan sınıfını kapsayan 30.607 görüntüden oluşan klasik bir görüntü sınıflandırma kıyaslama veri setidir. Her kategori, hayvanlar, taşıtlar, ev eşyaları ve insanlar gibi gerçek dünya nesnelerine ait en az 80 görüntü içerir; bu da onu nesne tanıma modelleri için Caltech-101'den daha büyük ve daha zorlayıcı bir ardıl yapar.

Link to this sectionTemel Özellikler#

• Caltech-256, 256 nesne kategorisi ve bir 257.clutter arka plan sınıfı (toplamda 257 sınıf klasörü) genelinde 30.607 renkli görüntü içerir.
• 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, görüntü sınıflandırma ve nesne tanıma algoritmalarını kıyaslamak için yaygın olarak kullanılır.

Link to this sectionVeri Kümesi Yapısı#

Caltech-256, önceden tanımlanmış bir eğitim/doğrulama ayrımı olmaksızın, her biri 256 nesne kategorisini ve bir 257.clutter arka plan sınıfını kapsayan 257 klasör halinde dağıtılır. Eğitimi başlattığında, Ultralytics modellerin herhangi bir manuel kurulum gerektirmeden 257 sınıfın tamamında eğitim yapabilmesi için görüntüleri otomatik olarak bölümlere ayırır:

• 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)

Link to this sectionUygulamalar#

The Caltech-256 dataset is widely used to train and evaluate image classification and object recognition models, including Convolutional Neural Networks (CNNs) and Support Vector Machines (SVMs). Its large category count and high-quality images make it a popular benchmark for machine learning and computer vision research and prototyping.

Link to this sectionKullanım#

Bir YOLO modelini Caltech-256 üzerinde 416 görüntü boyutunda 100 epoch boyunca eğit. Mevcut tüm argümanların tam listesi için Eğitim sayfasına ve görüntü sınıflandırma görev kılavuzuna bakabilirsin.

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)

Link to this sectionÖrnek Görüntüler ve Ek Açıklamalar#

Caltech-256 veri seti, çeşitli nesnelerin yüksek kaliteli renkli görüntülerini içerir ve görüntü sınıflandırma görevleri için iyi yapılandırılmış bir veri seti sağlar. İşte veri setinden bazı görüntü örnekleri (kaynak):

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

Link to this sectionAlıntılar 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 makine öğrenimi ve bilgisayarlı 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 için Caltech-256 veri seti web sitesini ziyaret et.

Link to this sectionSSS#

Link to this sectionCaltech-256 veri seti makine öğreniminde ne için kullanılır?#

Caltech-256 veri seti, görüntü sınıflandırma ve nesne tanıma modellerini eğitmek ve kıyaslamak için yaygın olarak kullanılır. 256 nesne kategorisi ve bir arka plan sınıfı genelinde 30.607 görüntü içerir; bu da onu Evrişimli Sinir Ağları (CNN'ler) ve Destek Vektör Makineleri (SVM'ler) gibi algoritmalar için Caltech-101'den daha büyük ve daha zorlu bir kıyaslama haline getirir.

Link to this sectionBir Ultralytics YOLO modelini Caltech-256 veri seti üzerinde nasıl eğitebilirim?#

Bir Ultralytics YOLO modelini Caltech-256 üzerinde eğitmek için aşağıdaki kod parçacıklarını kullan. Veri seti ilk kullanımda otomatik olarak indirilir. Argümanların tam listesi için model Eğitim sayfasına bakabilirsin.

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)

Link to this sectionCaltech-256 veri setinde kaç sınıf vardır?#

Caltech-256, 256 nesne kategorisi ve bir 257.clutter arka 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 büyükleri yaklaşık 800 görüntüye kadar çıkar.

Link to this sectionCaltech-256 veri seti eğitim ve doğrulama setlerine nasıl bölünür?#

Caltech-256'nın önceden tanımlanmış bir ayrımı yoktur. İlk eğitimin sırasında Ultralytics onu otomatik olarak %80 eğitim / %20 doğrulama şeklinde böler (yaklaşık 24.385 eğitim ve 6.222 doğrulama görüntüsü), bu nedenle manuel olarak bölme oluşturmana gerek kalmaz. Ayrımı kendin kontrol etmek istersen, eğitimden önce görüntüleri train/ ve val/ klasörlerine düzenleyebilirsin.

Link to this sectionCaltech-256 veri seti üzerinde modelleri eğitmek için Ultralytics Platform kullanabilir miyim?#

Evet. Ultralytics Platform veri setlerini yönetmene, görüntü sınıflandırma modellerini eğitmene ve onları yoğun kodlama gerektirmeden devreye almana olanak tanır. Bulutta Caltech-256 deneyleri çalıştırmak için kullanışlı bir yoldur ve sınıflandırma veri setleri genel bakış sayfamızda daha fazla seçenek keşfedebilirsin.