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: Ultralytics HUB ile Caltech-256 Veri Kümesi Kullanılarak Görüntü Sınıflandırma Modeli Nasıl Eğitilir

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

Caltech-256 veri kümesi, Evrişimli Sinir Ağları (CNN'ler), Destek Vektör Makineleri (SVM'ler) ve diğer çeşitli makine öğrenimi algoritmaları gibi nesne tanıma görevlerinde derin öğrenme modellerini eğitmek ve değerlendirmek için yaygın olarak kullanılmaktadır. Çeşitli kategorileri ve yüksek kaliteli görüntüleri, makine öğrenimi ve bilgisayarla görme alanında araştırma ve geliştirme için paha biçilmez bir veri kümesi haline getirmektedir.

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("yolov8n-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 detect train data=caltech256 model=yolov8n-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}
}

Gregory Griffin, Alex Holub ve Pietro Perona'ya Caltech-256 veri setini makine öğrenimi ve bilgisayarla görme araştırma topluluğu için değerli bir kaynak olarak oluşturdukları ve sürdürdükleri için teşekkür ederiz. Veri seti hakkında daha fazla bilgi için

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?

Caltech-256 veri kümesi üzerinde 100 epokluk bir YOLO modelini eğitmek için aşağıdaki kod parçacıklarını kullanabilirsiniz. Ek seçenekler için Model Eğitimi sayfasına bakın.

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n-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 detect train data=caltech256 model=yolov8n-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:

• Evrişimsel Sinir Ağlarının (CNN'ler) Eğitimi
• Destek Vektör Makinelerinin (DVM'ler) performansının değerlendirilmesi
• Yeni derin öğrenme algoritmalarının kıyaslanması
• Gibi çerçeveler kullanarak nesne algılama modelleri geliştirme 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 yolov8n-cls.pteğitim süresini önemli ölçüde azaltabilir ve model doğruluğunu artırabilir.

Daha fazla ayrıntı için kapsamlı eğitim kılavuzumuzu inceleyin.

Yorumlar