Dataset Caltech-101#

9,144

Caltech-101

ultralytics

publicClassify

Caltech-101 is Li Fei-Fei, Rob Fergus, and Pietro Perona's classic 2004 image-classification benchmark. It spans 101 object categories plus background, with strong variation in object shape and relatively clean image composition for rapid recognition experiments.

102 classes194.3 MBSep 2, 2026

BACKGROUND_GoogleFacesFaces_easyLeopards+98

image-classificationcaltech101object-recognition+1

Dataset Caltech-101 là một benchmark phân loại hình ảnh kinh điển gồm 9.144 hình ảnh thuộc 101 danh mục đối tượng cùng một lớp nền. Mỗi danh mục có khoảng 40 đến 800 hình ảnh về các đối tượng trong thế giới thực — động vật, phương tiện, đồ gia dụng và con người — tạo nên một benchmark nhỏ gọn nhưng đầy thách thức cho các model nhận dạng đối tượng.

Khám phá Caltech-101 trên Ultralytics Platform để xem trước các mẫu, kiểm tra thống kê dataset và clone dataset để training.

Tính năng chính#

• Caltech-101 chứa 9.144 hình ảnh màu thuộc 101 danh mục đối tượng cùng một lớp BACKGROUND_Google (tổng cộng 102 thư mục lớp).
• Các danh mục bao quát nhiều loại đối tượng trong thế giới thực, bao gồm động vật, phương tiện, đồ gia dụng và con người.
• Mỗi danh mục có khoảng 40 đến 800 hình ảnh, vì vậy kích thước các lớp không cân bằng.
• Hình ảnh có kích thước không đồng nhất, phần lớn có kích thước khoảng 300x200 pixel (độ phân giải trung bình).
• Caltech-101 được sử dụng rộng rãi để benchmark các thuật toán phân loại hình ảnh và nhận dạng đối tượng.

Cấu trúc bộ dữ liệu#

Caltech-101 được phân phối dưới dạng 102 thư mục — mỗi thư mục tương ứng với một lớp, bao gồm 101 danh mục đối tượng cùng một lớp BACKGROUND_Google — và không có tập train/validation được định nghĩa trước. Khi bạn bắt đầu training, Ultralytics sẽ tự động phân vùng các hình ảnh để model training trên cả 102 lớp mà không cần thiết lập thủ công:

• Các lớp: 102 (101 danh mục đối tượng + 1 lớp nền)
• Tổng số hình ảnh: 9.144
• Phân chia train/validation: tự động 80% / 20% (≈7.280 train, ≈1.864 validation)
• Số hình ảnh mỗi lớp: khoảng 40 đến 800 (không cân bằng)

Ứng dụng#

Caltech-101 được sử dụng rộng rãi để training và đánh giá các model phân loại hình ảnh và nhận dạng đối tượng, bao gồm Mạng nơ-ron tích chập (CNNs) và Máy vector hỗ trợ (SVMs). Phạm vi danh mục đa dạng và các hình ảnh được gán nhãn rõ ràng khiến dataset này trở thành một benchmark phổ biến cho nghiên cứu và tạo prototype về machine learning và thị giác máy tính.

Cách sử dụng#

Training một model YOLO trên Caltech-101 trong 100 epoch với kích thước hình ảnh là 416. Để xem danh sách đầy đủ các tham số khả dụng, hãy tham khảo trang Training và hướng dẫn tác vụ phân loại hình ảnh.

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="caltech101", epochs=100, imgsz=416)

Hình ảnh mẫu và annotation#

Dataset Caltech-101 chứa các hình ảnh màu chất lượng cao về nhiều đối tượng khác nhau, cung cấp một dataset có cấu trúc tốt cho các tác vụ phân loại hình ảnh. Dưới đây là một số ví dụ về hình ảnh trong dataset:

Các mẫu cho thấy sự đa dạng của các danh mục và cách đóng khung tự nhiên, đặt đối tượng ở trung tâm, vốn là đặc trưng của Caltech-101; nhờ đó, dataset này là điểm khởi đầu thuận lợi để training các model nhận dạng đối tượng mạnh mẽ.

Trích dẫn và ghi nhận đóng góp#

Nếu bạn sử dụng dataset Caltech-101 trong công việc nghiên cứu hoặc phát triển, vui lòng trích dẫn bài báo sau:

@article{fei2007learning,
  title={Learning generative visual models from few training examples: An incremental Bayesian approach tested on 101 object categories},
  author={Fei-Fei, Li and Fergus, Rob and Perona, Pietro},
  journal={Computer vision and Image understanding},
  volume={106},
  number={1},
  pages={59--70},
  year={2007},
  publisher={Elsevier}
}

Chúng tôi xin ghi nhận Li Fei-Fei, Rob Fergus và Pietro Perona vì đã tạo lập và duy trì dataset Caltech-101 như một tài nguyên có giá trị cho cộng đồng nghiên cứu machine learning và thị giác máy tính. Để biết thêm thông tin về dataset Caltech-101 và những người tạo ra dataset, hãy truy cập website dataset Caltech-101.

FAQ#