Ultralytics YOLO27：
CC BY 4.0

Caltech-101 数据集#

Caltech-101 数据集是一个经典的图像分类基准，包含 9,144 张图像，涵盖 101 个对象类别和一个背景类。每个类别包含约 40 到 800 张现实世界对象图像，包括动物、车辆、家居用品和人物，因此它是一个紧凑但颇具挑战性的对象识别模型基准。

探索 Ultralytics Platform 上的 Caltech-101，预览样本、查看数据集统计信息，并克隆数据集用于训练。



Watch: How to Train Image Classification Model using Caltech-101 Dataset with Ultralytics Platform
自动数据集划分

Caltech-101 未提供预定义的训练集/验证集划分。下面的训练命令会自动按 80% 训练集 / 20% 验证集进行划分，因此无需手动准备。

主要特性#

  • Caltech-101 包含 9,144 张彩色图像，涵盖 101 个对象类别和一个 BACKGROUND_Google 类别（总计 102 个类别文件夹）。
  • 这些类别涵盖各种各样的现实世界对象，包括动物、车辆、家居用品和人物。
  • 每个类别包含约 40 到 800 张图像，因此类别规模并不均衡。
  • 图像尺寸各不相同，大多数约为 300x200 像素（中等分辨率）。
  • Caltech-101 被广泛用于对图像分类和对象识别算法进行基准测试。

数据集结构#

Caltech-101 以 102 个文件夹的形式分发——每个类别对应一个文件夹，涵盖 101 个对象类别和一个 BACKGROUND_Google 类别——且未提供预定义的训练集/验证集划分。当你启动训练时，Ultralytics 会自动划分图像，使模型无需任何手动设置即可在全部 102 个类别上进行训练：

  • 类别数：102（101 个对象类别 + 1 个背景类）
  • 图像总数：9,144
  • 训练集/验证集划分：自动按 80% / 20% 划分（约 7,280 张训练图像，约 1,864 张验证图像）
  • 每个类别的图像数：约 40 到 800（不均衡）

应用#

Caltech-101 被广泛用于训练和评估图像分类和对象识别模型，包括卷积神经网络（CNNs）和支持向量机（SVMs）。其广泛的类别覆盖范围和清晰的标注图像，使其成为机器学习和计算机视觉研究与原型开发中广受欢迎的基准。

使用方法#

在 Caltech-101 上训练 YOLO 模型 100 个训练周期，图像尺寸设为 416。有关所有可用参数的完整列表，请参阅训练页面和图像分类任务指南。

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)

示例图像和标注#

Caltech-101 数据集包含各种对象的高质量彩色图像，为图像分类任务提供了结构良好的数据集。以下是数据集中的一些图像示例：

Caltech-101 图像分类数据集样本

这些样本展示了类别的多样性，以及 Caltech-101 典型的自然、居中取景，这使其成为训练稳健对象识别模型的良好起点。

引用和致谢#

如果你在研究或开发工作中使用 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}
}

我们感谢 Li Fei-Fei、Rob Fergus 和 Pietro Perona 创建并维护 Caltech-101 数据集，为机器学习和计算机视觉研究社区提供了宝贵资源。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#

  • Caltech-101 数据集被广泛用于训练和基准测试图像分类与对象识别模型。它包含 9,144 张图像，涵盖 101 个对象类别和一个背景类，为评估卷积神经网络（CNNs）和支持向量机（SVMs）等算法提供了具有挑战性的基准。

  • 要在 Caltech-101 上训练 Ultralytics YOLO 模型，请使用下面的代码片段。数据集会在首次使用时自动下载。有关完整的参数列表，请参阅模型的训练页面。

    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)

  • Caltech-101 包含 101 个对象类别和一个 BACKGROUND_Google 类别，总计 102 个类别文件夹和 9,144 张图像。使用 Ultralytics 进行训练时，模型会学习全部 102 个类别。类别规模并不均衡，每个类别约包含 40 到 800 张图像。

  • Caltech-101 没有预定义的划分。首次训练时，Ultralytics 会自动按 80% 训练集 / 20% 验证集进行划分——约 7,280 张训练图像和 1,864 张验证图像——因此你无需手动创建划分。若要自行控制划分，请在训练前将图像整理到 train/ 和 val/ 文件夹中。

  • 可以。Ultralytics Platform 可让你管理数据集、训练图像分类模型，并在无需大量编码的情况下部署模型。它是在云端运行 Caltech-101 实验的便捷方式，你还可以在我们的分类数据集概览中探索更多选项。

贡献者
GLglenn-jocher16RAraimbekovm3MAMatthewNoyce1RIRizwanMunawar1JKjk4e1

评论