Caltech-101 数据集#

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

Caltech-101 数据集是一个经典的图像分类基准测试，包含 9,144 张图像，涵盖 101 个对象类别以及一个背景类。每个类别包含约 40 到 800 张真实世界对象的图像——包括动物、车辆、家居用品和人物——这使其成为一个紧凑但具有挑战性的对象识别模型基准测试。

在 Caltech-101 on Ultralytics Platform 上探索，以预览样本、检查数据集统计信息并克隆它以进行训练。

主要特性#

• Caltech-101 包含分布在 101 个对象类别外加一个 BACKGROUND_Google 类的 9,144 张彩色图像（总共 102 个类别文件夹）。
• 这些类别涵盖了各种现实世界的对象，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，因此类别规模不平衡。
• 图像大小不一，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——每类一个，涵盖 101 个对象类别外加一个 BACKGROUND_Google 类——没有预定义的训练/验证拆分。当你启动训练时，Ultralytics 会自动划分图像，以便模型在所有 102 个类上进行训练，无需任何手动设置：

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

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 (CNN) 和支持向量机 (SVM)。其广泛的类别覆盖范围以及干净的标注图像使其成为机器学习和计算机视觉研究与原型的热门基准测试。

用法#

在 Caltech-101 上训练 YOLO 模型 100 个轮次，图像大小为 416。有关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。

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 数据集包含各种对象的优质彩色图像，为图像分类任务提供了一个结构良好的数据集。以下是来自该数据集的一些图像示例：

这些样本展示了 Caltech-101 典型的类别多样性和自然、居中的构图，使其成为训练稳健对象识别模型的理想起点。

引用与致谢#

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：

@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、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社区的宝贵资源。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。

常见问题解答#