Caltech-101 Veri Kümesi
Caltech-101 veri seti, nesne tanıma görevleri için yaygın olarak kullanılan bir veri setidir ve 101 nesne kategorisinden yaklaşık 9.000 görüntü içerir. Kategoriler, çeşitli gerçek dünya nesnelerini yansıtacak şekilde seçilmiştir ve görüntülerin kendileri, nesne tanıma algoritmaları için zorlu bir kıyaslama sağlamak üzere dikkatlice seçilmiş ve açıklanmıştır.
İzle: Nasıl Eğitilir Görüntü Sınıflandırması Ultralytics HUB ile Caltech-256 Veri Kümesini Kullanarak Model Eğitimi
Otomatik Veri Bölme
Sağlanan Caltech-101 veri kümesi, önceden tanımlanmış eğitim/doğrulama bölmeleriyle birlikte gelmez. Ancak, aşağıdaki kullanım örneklerinde sağlanan eğitim komutlarını kullandığınızda, Ultralytics çerçevesi veri kümesini sizin için otomatik olarak bölecektir. Kullanılan varsayılan bölme, eğitim kümesi için %80 ve doğrulama kümesi için %20'dir.
Temel Özellikler
- Caltech-101 veri seti, 101 kategoriye ayrılmış yaklaşık 9.000 renkli görüntüden oluşur.
- Kategoriler, hayvanlar, araçlar, ev eşyaları ve insanlar dahil olmak üzere çok çeşitli nesneleri kapsar.
- Kategori başına görüntü sayısı değişir ve her kategoride yaklaşık 40 ila 800 görüntü bulunur.
- Görüntüler değişken boyutlardadır ve çoğu görüntü orta çözünürlüklüdür.
- Caltech-101, makine öğrenimi alanında, özellikle nesne tanıma görevleri için eğitim ve test amacıyla yaygın olarak kullanılmaktadır.
Veri Seti Yapısı
Diğer birçok veri kümesinden farklı olarak, Caltech-101 veri kümesi resmi olarak eğitim ve test kümelerine ayrılmamıştır. Kullanıcılar genellikle kendi özel ihtiyaçlarına göre kendi bölümlerini oluştururlar. Bununla birlikte, yaygın bir uygulama, eğitim için rastgele bir görüntü alt kümesini (örneğin, kategori başına 30 görüntü) ve kalan görüntüleri test için kullanmaktır.
Uygulamalar
Caltech-101 veri seti, derin öğrenme modellerini nesne tanıma görevlerinde eğitmek ve değerlendirmek için yaygın olarak kullanılır; örneğin Evrişimsel Sinir Ağları (CNN'ler), Destek Vektör Makineleri (SVM'ler) ve diğer çeşitli makine öğrenimi algoritmaları. Çok çeşitli kategorileri ve yüksek kaliteli görüntüleri, onu makine öğrenimi ve bilgisayarlı görü alanındaki araştırma ve geliştirme için mükemmel bir veri seti yapmaktadır.
Kullanım
Caltech-101 veri kümesinde bir YOLO modelini 100 epoch için eğitmek için aşağıdaki kod parçacıklarını kullanabilirsiniz. Mevcut argümanların kapsamlı bir listesi için model Eğitim sayfasına bakın.
Eğitim Örneği
from ultralytics import YOLO
# Load a model
model = YOLO("yolo11n-cls.pt") # load a pretrained model (recommended for training)
# Train the model
results = model.train(data="caltech101", epochs=100, imgsz=416)
# Start training from a pretrained *.pt model
yolo classify train data=caltech101 model=yolo11n-cls.pt epochs=100 imgsz=416
Örnek Görüntüler ve Açıklamalar
Caltech-101 veri seti, çeşitli nesnelerin yüksek kaliteli renkli görüntülerini içerir ve görüntü sınıflandırma görevleri için iyi yapılandırılmış bir veri seti sağlar. İşte veri setinden bazı görüntü örnekleri:
Bu örnek, Caltech-101 veri kümesindeki nesnelerin çeşitliliğini ve karmaşıklığını sergileyerek, güçlü nesne tanıma modelleri eğitmek için çeşitli bir veri kümesinin önemini vurgulamaktadır.
Alıntılar ve Teşekkürler
Araştırma veya geliştirme çalışmalarınızda Caltech-101 veri kümesini kullanırsanız, lütfen aşağıdaki makaleye atıfta bulunun:
@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}
}
Makine öğrenimi ve bilgisayarla görü araştırma topluluğu için değerli bir kaynak olarak Caltech-101 veri kümesini oluşturdukları ve sürdürdükleri için Li Fei-Fei, Rob Fergus ve Pietro Perona'ya teşekkür etmek isteriz. Caltech-101 veri kümesi ve yaratıcıları hakkında daha fazla bilgi için Caltech-101 veri kümesi web sitesini ziyaret edin.
SSS
Makine öğreniminde Caltech-101 veri kümesi ne için kullanılır?
Caltech-101 veri seti, nesne tanıma görevleri için makine öğreniminde yaygın olarak kullanılmaktadır. 101 kategori arasında yaklaşık 9.000 görüntü içerir ve nesne tanıma algoritmalarını değerlendirmek için zorlu bir kıyaslama sağlar. Araştırmacılar, özellikle Evrişimsel Sinir Ağları (CNN'ler) ve Destek Vektör Makineleri (SVM'ler) olmak üzere bilgisayar görüşünde modelleri eğitmek ve test etmek için kullanırlar.
Caltech-101 veri kümesi üzerinde bir Ultralytics YOLO modelini nasıl eğitebilirim?
Caltech-101 veri kümesinde bir Ultralytics YOLO modelini eğitmek için, sağlanan kod parçacıklarını kullanabilirsiniz. Örneğin, 100 epoch için eğitmek için:
Eğitim Örneği
from ultralytics import YOLO
# Load a model
model = YOLO("yolo11n-cls.pt") # load a pretrained model (recommended for training)
# Train the model
results = model.train(data="caltech101", epochs=100, imgsz=416)
# Start training from a pretrained *.pt model
yolo classify train data=caltech101 model=yolo11n-cls.pt epochs=100 imgsz=416
Daha ayrıntılı argümanlar ve seçenekler için model Eğitim sayfasına bakın.
Caltech-101 veri kümesinin temel özellikleri nelerdir?
Caltech-101 veri seti şunları içerir:
- 101 kategori genelinde yaklaşık 9.000 renkli görüntü.
- Hayvanlar, taşıtlar ve ev eşyaları dahil olmak üzere çeşitli nesneleri kapsayan kategoriler.
- Kategori başına değişken sayıda görüntü, tipik olarak 40 ile 800 arasında.
- Çoğu orta çözünürlükte olan değişken görüntü boyutları.
Bu özellikler, makine öğrenimi ve bilgisayar görüşünde nesne tanıma modellerini eğitmek ve değerlendirmek için mükemmel bir seçimdir.
Araştırmamda Caltech-101 veri setine neden atıfta bulunmalıyım?
Araştırmanızda Caltech-101 veri kümesine atıfta bulunmak, yaratıcıların katkılarını kabul eder ve veri kümesini kullanabilecek diğer kişilere bir referans sağlar. Önerilen alıntı şöyledir:
@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}
}
Alıntı yapmak, akademik çalışmaların bütünlüğünü korumaya yardımcı olur ve akranların orijinal kaynağı bulmasına yardımcı olur.
Caltech-101 veri kümesinde modelleri eğitmek için Ultralytics HUB'ı kullanabilir miyim?
Evet, Caltech-101 veri kümesinde modelleri eğitmek için Ultralytics HUB'ı kullanabilirsiniz. Ultralytics HUB, veri kümelerini yönetmek, modelleri eğitmek ve kapsamlı kodlama yapmadan bunları dağıtmak için sezgisel bir platform sağlar. Ayrıntılı bir kılavuz için, Ultralytics HUB ile özel modellerinizi nasıl eğitebilirsiniz blog gönderisine bakın.
