Bộ dữ liệu Caltech-256#

30,592

Caltech-256

ultralytics

publicClassify

Caltech-256 is Griffin, Holub, and Perona's 2007 image-classification benchmark spanning 256 object categories plus a clutter class. Its broader taxonomy and greater within-class variability make it a more challenging successor to Caltech-101.

257 classes1.1 GBSep 2, 2026

airplanes-101ak47american-flagbackpack+253

image-classificationcaltech256object-recognition+1

Bộ dữ liệu Caltech-256 là một benchmark phân loại ảnh kinh điển gồm 30.607 ảnh thuộc 256 danh mục đối tượng cùng một lớp nền. Mỗi danh mục có ít nhất 80 ảnh về các đối tượng trong thế giới thực — động vật, phương tiện, đồ gia dụng và con người — khiến bộ dữ liệu này trở thành phiên bản kế nhiệm lớn hơn và thách thức hơn của Caltech-101 dành cho các model nhận dạng đối tượng.

Khám phá Caltech-256 trên Ultralytics Platform để xem trước các mẫu, kiểm tra thống kê bộ dữ liệu và sao chép bộ dữ liệu để training.

Tính năng chính#

• Caltech-256 chứa 30.607 ảnh màu thuộc 256 danh mục đối tượng cùng một lớp nền 257.clutter (tổng cộng 257 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 ít nhất 80 ảnh, trong đó danh mục lớn nhất có tới khoảng 800 ảnh, nên kích thước các lớp không cân bằng.
• Ảnh có kích thước và độ phân giải không đồng nhất.
• Caltech-256 được sử dụng rộng rãi để benchmark các thuật toán phân loại ảnh và nhận dạng đối tượng.

Cấu trúc bộ dữ liệu#

Caltech-256 được phân phối dưới dạng 257 thư mục — mỗi thư mục tương ứng với một lớp, bao phủ 256 danh mục đối tượng cùng một lớp nền 257.clutter — và không có phân chia train/validation được định nghĩa sẵn. Khi bạn khởi chạy training, Ultralytics sẽ tự động phân vùng các ảnh để model training trên toàn bộ 257 lớp mà không cần thiết lập thủ công:

• Số lớp: 257 (256 danh mục đối tượng + 1 lớp nền)
• Tổng số ảnh: 30.607
• Phân chia train/validation: tự động 80% / 20% (≈24.385 ảnh train, ≈6.222 ảnh validation)
• Số ảnh mỗi lớp: ít nhất 80 (không cân bằng, tối đa khoảng 800)

Ứng dụng#

Bộ dữ liệu Caltech-256 được sử dụng rộng rãi để training và đánh giá các model phân loại ảnh và nhận dạng đối tượng, bao gồm Mạng nơ-ron tích chập (CNNs) và Máy vector hỗ trợ (SVMs). Số lượng danh mục lớn và ảnh chất lượng cao khiến đây 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-256 trong 100 epoch với kích thước ảnh là 416. Để xem danh sách đầy đủ các argument khả dụng, hãy tham khảo trang Training và hướng dẫn tác vụ phân loại 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="caltech256", epochs=100, imgsz=416)

Hình ảnh mẫu và annotation#

Bộ dữ liệu Caltech-256 chứa các ảnh màu chất lượng cao về nhiều đối tượng khác nhau, cung cấp một bộ dữ liệu có cấu trúc tốt cho các tác vụ phân loại ảnh. Dưới đây là một số ví dụ về ảnh trong bộ dữ liệu (ghi công):

Các mẫu cho thấy sự đa dạng và phức tạp của các đối tượng trong bộ dữ liệu Caltech-256, nhấn mạnh giá trị của một bộ dữ liệu đa dạng trong việc training các model nhận dạng đối tượng mạnh mẽ.

Trích dẫn và ghi nhận đóng góp#

Nếu sử dụng bộ dữ liệu Caltech-256 trong công việc nghiên cứu hoặc phát triển, vui lòng trích dẫn bài báo sau:

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

Chúng tôi xin ghi nhận công sức của Gregory Griffin, Alex Holub và Pietro Perona trong việc tạo và duy trì bộ dữ liệu Caltech-256 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 bộ dữ liệu Caltech-256 và những người tạo ra bộ dữ liệu, hãy truy cập website của bộ dữ liệu Caltech-256.

FAQ#