Bộ dữ liệu Caltech-101#

9,144

Caltech-101

ultralytics

publicClassify

Caltech-101 is a classic image classification benchmark from Caltech containing 9,144 images across 101 object categories plus a background category. This production package uses a deterministic class-stratified 80/20 split with 7,280 training and 1,864 validation images, preserving all 102 classes and all source images. Created by Li Fei-Fei, Rob Fergus, and Pietro Perona. Licensed CC BY 4.0; please cite Learning Generative Visual Models from Few Training Examples (CVPR Workshop, 2004).

102 classes194.3 MBAug 21, 2026

BACKGROUND_GoogleFacesFaces_easyLeopards+98

image-classificationcaltech101object-recognition+1

Bộ dữ liệu Caltech-101 là một chuẩn đánh giá image classification cổ điển gồm 9.144 hình ảnh trải rộng trên 101 danh mục đối tượng cộng với một lớp nền. Mỗi danh mục chứa khoảng 40 đến 800 hình ảnh về các đối tượng trong thế giới thực — động vật, phương tiện, vật dụng gia đình và con người — biến nó thành một chuẩn đánh giá nhỏ gọn nhưng đầy thử thách cho các mô hình nhận diện đối tượng.

Khám phá Caltech-101 trên Ultralytics Platform để xem trước các mẫu, kiểm tra thống kê bộ dữ liệu và nhân bản nó để huấn luyện.

Tính năng chính#

• Caltech-101 chứa 9.144 hình ảnh màu trên 101 danh mục đối tượng cộng với một lớp BACKGROUND_Google (tổng cộng 102 thư mục lớp).
• Các danh mục bao gồm nhiều đối tượng thực tế đa dạng, bao gồm động vật, phương tiện, đồ gia dụng và con người.
• Mỗi danh mục chứa khoảng 40 đến 800 hình ảnh, vì vậy kích thước giữa các lớp không đồng đều.
• Hình ảnh có kích thước thay đổi, hầu hết ở mức khoảng 300x200 pixel (độ phân giải trung bình).
• Caltech-101 được sử dụng rộng rãi để đánh giá chuẩn các thuật toán image classification và nhận diện đối tượng.

Cấu trúc tập dữ liệu#

Caltech-101 được phân phối dưới dạng 102 thư mục — mỗi thư mục cho một lớp, bao gồm 101 danh mục đối tượng cộng với một lớp BACKGROUND_Google — không có tập huấn luyện/xác thực được xác định trước. Khi bạn khởi chạy quá trình huấn luyện, Ultralytics sẽ tự động phân chia các hình ảnh để các mô hình huấn luyện trên tất cả 102 lớp mà không cần bất kỳ thiết lập thủ công nào:

• Các lớp: 102 (101 danh mục đối tượng + 1 nền)
• Tổng số hình ảnh: 9.144
• Train/validation split: tự động 80% / 20% (≈7.280 train, ≈1.864 validation)
• Hình ảnh mỗi lớp: khoảng 40 đến 800 (không đồng đều)

Ứng dụng#

Caltech-101 được sử dụng rộng rãi để huấn luyện và đánh giá các mô hình image classification và nhận diện đối tượng, bao gồm Convolutional Neural Networks (CNNs) và Support Vector Machines (SVMs). Độ bao phủ danh mục rộng và các hình ảnh sạch, có gán nhãn của nó biến nó thành một chuẩn đánh giá phổ biến cho nghiên cứu và tạo mẫu machine learning cũng như computer vision.

Cách sử dụng#

Huấn luyện một mô hình YOLO trên Caltech-101 trong 100 epochs với kích thước ảnh là 416. Để có danh sách đầy đủ các tham số khả dụng, hãy xem trang Training và hướng dẫn tác vụ image classification.

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 chú thích#

Bộ dữ liệu Caltech-101 chứa các hình ảnh màu chất lượng cao của nhiều đối tượng khác nhau, cung cấp một bộ dữ liệu có cấu trúc tốt cho các tác vụ image classification. Dưới đây là một số ví dụ về hình ảnh từ bộ dữ liệu:

Các mẫu hình ảnh cho thấy sự đa dạng của các danh mục và cách lấy khung tự nhiên, tập trung điển hình của Caltech-101, khiến nó trở thành một điểm khởi đầu sạch để huấn luyện các model nhận diện đối tượng mạnh mẽ.

Trích dẫn và Ghi nhận#

Nếu bạn sử dụng bộ dữ liệu Caltech-101 trong công việc nghiên cứu hoặc phát triển của mình, 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 cảm ơn Li Fei-Fei, Rob Fergus và Pietro Perona vì đã tạo và duy trì bộ dữ liệu Caltech-101 như một nguồn tài nguyên quý giá cho cộng đồng nghiên cứu machine learning và computer vision. Để biết thêm thông tin về bộ dữ liệu Caltech-101 và những người sáng tạo ra nó, hãy truy cập Caltech-101 dataset website.

Câu hỏi thường gặp#