Caltech-256 Veri Seti

Caltech-256 veri seti, nesne sınıflandırma görevleri için kullanılan kapsamlı bir görüntü koleksiyonudur. Yaklaşık 30.000 görüntü içerir ve 257 kategoriye ayrılmıştır (256 nesne kategorisi ve 1 arka plan kategorisi). Görüntüler, nesne tanıma algoritmaları için zorlu ve çeşitli bir kıyaslama sağlamak üzere dikkatlice düzenlenmiş ve açıklanmıştır.

İzle: Nasıl Eğitilir Görüntü Sınıflandırması Ultralytics HUB ile Caltech-256 Veri Kümesini Kullanarak Model Eğitimi

Temel Özellikler

• Caltech-256 veri kümesi, 257 kategoriye ayrılmış yaklaşık 30.000 renkli görüntüden oluşur.
• Her kategori en az 80 resim içerir.
• Kategoriler, hayvanlar, araçlar, ev eşyaları ve insanlar dahil olmak üzere çok çeşitli gerçek dünya nesnelerini kapsar.
• Görüntüler değişken boyut ve çözünürlüklere sahiptir.
• Caltech-256, makine öğrenimi alanında, özellikle nesne tanıma görevleri için yaygın olarak eğitim ve test amacıyla kullanılır.

Veri Seti Yapısı

Caltech-101 gibi, Caltech-256 veri kümesi de eğitim ve test kümeleri arasında resmi bir ayrıma sahip değildir. Kullanıcılar genellikle kendi özel ihtiyaçlarına göre kendi ayrımlarını oluştururlar. Yaygın bir uygulama, eğitim için rastgele bir görüntü alt kümesi ve test için kalan görüntüleri kullanmaktır.

Uygulamalar

Caltech-256 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. Çeşitli kategori kümesi ve yüksek kaliteli görüntüleri, onu makine öğrenimi ve bilgisayarlı görü alanındaki araştırma ve geliştirme için paha biçilmez bir veri seti yapmaktadır.

Kullanım

Caltech-256 veri kümesinde bir YOLO modelini 100 epoch için eğitmek için aşağıdaki kod parçacıklarını kullanabilirsiniz. Mevcut argümanların kapsamlı bir listesi için model Eğitim sayfasına bakın.

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="caltech256", epochs=100, imgsz=416)

# Start training from a pretrained *.pt model
yolo classify train data=caltech256 model=yolo11n-cls.pt epochs=100 imgsz=416

Örnek Görüntüler ve Açıklamalar

Caltech-256 veri kümesi, çeşitli nesnelerin yüksek kaliteli renkli görüntülerini içerir ve nesne tanıma görevleri için kapsamlı bir veri kümesi sağlar. İşte veri kümesinden bazı görüntü örnekleri (kaynak):

Örnek, Caltech-256 veri kümesindeki nesnelerin çeşitliliğini ve karmaşıklığını sergileyerek, sağlam nesne tanıma modellerini eğitmek için çeşitli bir veri kümesinin önemini vurgulamaktadır.

Alıntılar ve Teşekkürler

Araştırma veya geliştirme çalışmalarınızda Caltech-256 veri kümesini kullanırsanız, lütfen aşağıdaki makaleye atıfta bulunun:

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

Makine öğrenimi ve bilgisayar görüşü araştırma topluluğu için değerli bir kaynak olarak Caltech-256 veri kümesini oluşturan ve sürdüren Gregory Griffin, Alex Holub ve Pietro Perona'ya teşekkür etmek istiyoruz. Caltech-256 veri kümesi ve yaratıcıları hakkında daha fazla bilgi için Caltech-256 veri kümesi web sitesini ziyaret edin.

SSS

Caltech-256 veri seti nedir ve makine öğrenimi için neden önemlidir?

Caltech-256 veri kümesi, öncelikle makine öğrenimi ve bilgisayarlı görme alanlarında nesne sınıflandırma görevleri için kullanılan geniş bir görüntü veri kümesidir. Çok çeşitli gerçek dünya nesnelerini kapsayan 257 kategoriye ayrılmış yaklaşık 30.000 renkli görüntüden oluşur. Veri kümesinin çeşitli ve yüksek kaliteli görüntüleri, sağlam makine öğrenimi modelleri geliştirmek için çok önemli olan nesne tanıma algoritmalarını değerlendirmek için mükemmel bir ölçüt olmasını sağlar.

python veya CLI kullanarak Caltech-256 veri setinde bir YOLO modelini nasıl eğitebilirim?

Caltech-256 veri kümesi üzerinde bir YOLO modelini 100 epok için eğitmek için aşağıdaki kod parçacıklarını kullanabilirsiniz. Ek seçenekler için model Eğitim sayfasına bakın.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n-cls.pt")  # load a pretrained model

# Train the model
results = model.train(data="caltech256", epochs=100, imgsz=416)

# Start training from a pretrained *.pt model
yolo classify train data=caltech256 model=yolo11n-cls.pt epochs=100 imgsz=416

Caltech-256 veri setinin en yaygın kullanım alanları nelerdir?

Caltech-256 veri seti, aşağıdakiler gibi çeşitli nesne tanıma görevleri için yaygın olarak kullanılır:

• Evrişimsel Sinir Ağları (CNN'ler) Eğitimi
• Destek Vektör Makinelerinin (SVM'ler) performansını değerlendirme
• Yeni derin öğrenme algoritmalarının kıyaslanması
• Ultralytics YOLO gibi çerçeveleri kullanarak nesne algılama modelleri geliştirme

Çeşitliliği ve kapsamlı açıklamaları, onu makine öğrenimi ve bilgisayar görüşü alanındaki araştırma ve geliştirme için ideal hale getirir.

Caltech-256 veri seti, eğitim ve test için nasıl yapılandırılmış ve bölünmüştür?

Caltech-256 veri seti, eğitim ve test için önceden tanımlanmış bir bölme ile birlikte gelmez. Kullanıcılar genellikle kendi özel ihtiyaçlarına göre kendi bölmelerini oluştururlar. Yaygın bir yaklaşım, eğitim için görüntülerin bir alt kümesini rastgele seçmek ve kalan görüntüleri test için kullanmaktır. Bu esneklik, kullanıcıların veri setini kendi özel proje gereksinimlerine ve deneysel kurulumlarına göre uyarlamalarına olanak tanır.

Caltech-256 veri seti üzerinde modelleri eğitmek için neden Ultralytics YOLO kullanmalıyım?

Ultralytics YOLO modelleri, Caltech-256 veri kümesi üzerinde eğitim için çeşitli avantajlar sunar:

• Yüksek Doğruluk: YOLO modelleri, nesne algılama görevlerindeki son teknoloji performanslarıyla bilinir.
• Hız: Gerçek zamanlı çıkarım yetenekleri sağlarlar, bu da onları hızlı tahminler gerektiren uygulamalar için uygun kılar.
• Kullanım Kolaylığı: Ultralytics HUB ile kullanıcılar, kapsamlı kodlama yapmadan modelleri eğitebilir, doğrulayabilir ve dağıtabilir.
• Önceden Eğitilmiş Modeller: Önceden eğitilmiş modellerden başlayarak, örneğin yolo11n-cls.pt, eğitim süresini önemli ölçüde azaltabilir ve model doğruluğu.

Daha fazla ayrıntı için kapsamlı eğitim kılavuzumuzu keşfedin ve Ultralytics YOLO ile görüntü sınıflandırması hakkında bilgi edinin.

📅 1 yıl önce oluşturuldu ✏️ 2 ay önce güncellendi

Yorumlar