Caltech-101 数据集

Caltech-101 数据集是一个广泛用于目标识别任务的数据集，包含来自 101 个目标类别的约 9,000 张图像。这些类别旨在反映各种现实世界的物体，图像本身经过精心挑选和标注，为目标识别算法提供了具有挑战性的基准。

Watch: How to Train Image Classification Model using Caltech-256 Dataset with Ultralytics Platform

自动数据拆分

所提供的 Caltech-101 数据集并未预先定义训练集/验证集拆分。然而，当你使用下方使用示例中提供的训练命令时，Ultralytics 框架将为你自动拆分数据集。默认的拆分比例为 80% 的训练集和 20% 的验证集。

主要特性

Caltech-101 数据集包含约 9,000 张分为 101 个类别的彩色图像。
这些类别涵盖了多种物体，包括动物、车辆、家居用品和人物。
每个类别的图像数量不等，大约在 40 到 800 张之间。
图像大小各异，大多数图像为中等分辨率。
Caltech-101 被广泛用于机器学习领域的训练和测试，特别是针对目标识别任务。

数据集结构

与许多其他数据集不同，Caltech-101 数据集没有正式划分为训练集和测试集。用户通常根据自己的特定需求创建拆分。不过，一种常见的做法是使用图像的随机子集进行训练（例如，每个类别 30 张图像），并使用剩余的图像进行测试。

应用场景

Caltech-101 数据集被广泛用于训练和评估目标识别任务中的深度学习模型，例如卷积神经网络 (CNN)、支持向量机 (SVM) 以及各种其他机器学习算法。其丰富的类别和高质量图像使其成为机器学习和计算机视觉领域研究与开发的优秀数据集。

使用方法

要使用 YOLO 模型在 Caltech-101 数据集上进行 100 个 epoch 的训练，你可以使用以下代码片段。有关可用参数的完整列表，请参阅模型训练页面。

训练示例

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)

样本图像和标注

Caltech-101 数据集包含各种物体的高质量彩色图像，为图像分类任务提供了结构良好的数据集。以下是来自该数据集的图像示例：

Caltech-101 图像分类数据集样本

该示例展示了 Caltech-101 数据集中物体的多样性和复杂性，强调了多样化数据集对于训练鲁棒目标识别模型的重要性。

引文与致谢

如果你在研究或开发工作中使用了 Caltech-101 数据集，请引用以下论文：

引用

@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}
}

我们要感谢李飞飞 (Li Fei-Fei)、Rob Fergus 和 Pietro Perona 创建并维护了 Caltech-101 数据集，使其成为机器学习和计算机视觉研究界宝贵的资源。有关 Caltech-101 数据集及其创建者的更多信息，请访问 Caltech-101 数据集网站。

常见问题 (FAQ)