dpdl-benchmark/caltech101

该数据集包含图像和标签两个特征，图像特征的数据类型为图像，标签特征的数据类型为分类标签，共有102个类别，涵盖了从乐器（如手风琴、电吉他）到动物（如海豚、大象）再到日常物品（如椅子、剪刀）等多种类别。数据集分为训练集和测试集，训练集包含3060个样本，测试集包含6084个样本。数据集的下载大小为978960930字节，数据集大小为978878548.0字节。该数据集包含图像和标签两个特征，图像特征的数据类型为图像，标签特征的数据类型为分类标签，共有102个类别，涵盖了从乐器（如手风琴、电吉他）到动物（如海豚、大象）再到日常物品（如椅子、剪刀）等多种类别。数据集分为训练集和测试集，训练集包含3060个样本，测试集包含6084个样本。数据集的下载大小为978960930字节，数据集大小为978878548.0字节。

原始信息汇总

数据集概述

数据集特征

• image：图像数据类型。
• label：类别标签，包含以下类别：
  • accordion, airplanes, anchor, ant, background_google, barrel, bass, beaver, binocular, bonsai, brain, brontosaurus, buddha, butterfly, camera, cannon, car_side, ceiling_fan, cellphone, chair, chandelier, cougar_body, cougar_face, crab, crayfish, crocodile, crocodile_head, cup, dalmatian, dollar_bill, dolphin, dragonfly, electric_guitar, elephant, emu, euphonium, ewer, faces, faces_easy, ferry, flamingo, flamingo_head, garfield, gerenuk, gramophone, grand_piano, hawksbill, headphone, hedgehog, helicopter, ibis, inline_skate, joshua_tree, kangaroo, ketch, lamp, laptop, leopards, llama, lobster, lotus, mandolin, mayfly, menorah, metronome, minaret, motorbikes, nautilus, octopus, okapi, pagoda, panda, pigeon, pizza, platypus, pyramid, revolver, rhino, rooster, saxophone, schooner, scissors, scorpion, sea_horse, snoopy, soccer_ball, stapler, starfish, stegosaurus, stop_sign, strawberry, sunflower, tick, trilobite, umbrella, watch, water_lilly, wheelchair, wild_cat, windsor_chair, wrench, yin_yang。

数据集分割

• train：训练集，包含3060个样本，总大小为309251106.5字节。
• test：测试集，包含6084个样本，总大小为669627441.5字节。

数据集大小

• 下载大小：978960930字节。
• 数据集实际大小：978878548.0字节。

数据文件配置

• default配置：
  • 训练数据路径：data/train-*
  • 测试数据路径：data/test-*

搜集汇总

数据集介绍

构建方式

Caltech101数据集是计算机视觉领域中经典的图像分类基准，其构建源于对自然图像中物体类别多样性的系统捕捉。该数据集包含102个类别，涵盖从手风琴、飞机到阴阳符号等广泛视觉概念，其中背景类（background_google）作为负样本被纳入。每个类别由约40至800张图像构成，图像分辨率适中，以JPEG格式存储。数据划分为训练集（3060张）和测试集（6084张），确保类别分布均衡。构建过程中，图像通过人工筛选和标注，确保标注准确性，为多类别分类任务提供可靠基础。

特点

该数据集的核心特点在于其类别多样性与视觉复杂性的平衡。102个类别不仅包括常见物体（如椅子、相机），还包含细粒度子类（如美洲狮身体与面部），以及抽象符号（如太极图），挑战模型的泛化能力。图像背景多样，物体姿态、光照和尺度变化丰富，增强了现实场景的模拟。此外，训练集与测试集规模差异显著（1:2比例），便于评估模型在有限样本下的学习能力。类别命名采用语义化标签，便于跨数据集迁移学习。

使用方法

使用该数据集时，可通过HuggingFace Datasets库加载，默认配置支持图像与标签的键值对访问。图像以PIL格式返回，标签为整数索引，对应102个类别名称。典型流程包括：从train和test分割中加载数据，对图像进行预处理（如缩放至224x224像素、归一化），并采用随机翻转等增强技术。模型训练时，建议使用交叉熵损失函数，并利用预训练权重（如ResNet）进行微调。评估指标推荐使用Top-1准确率，同时可结合混淆矩阵分析类别混淆情况。

背景与挑战

背景概述

Caltech101数据集由加州理工学院于2003年左右创建，旨在为计算机视觉领域的物体识别研究提供标准化的评估基准。该数据集涵盖101个物体类别及一个背景类别，共计102类，图像总数超过9000张，每个类别包含约40至800张不等样本。其核心研究问题在于探索如何在有限样本条件下实现鲁棒的物体分类与识别，尤其在类别间外观差异显著、背景复杂多变的场景中。作为早期推动特征提取与机器学习算法发展的经典数据集，Caltech101在局部特征描述子（如SIFT）和词袋模型的验证中发挥了关键作用，为后续深度学习时代的图像识别研究奠定了方法论基础。

当前挑战

当前Caltech101数据集面临的核心挑战包括：其一，类别间样本数量极不均衡，如‘faces’类含435张图像而‘revolver’类仅45张，导致模型易对高频类别过拟合；其二，图像分辨率参差不齐，部分样本存在光照变化、遮挡及视角畸变，增加特征提取的难度；其三，背景类别‘background_google’混杂了非目标物体，对分类器的判别边界形成干扰；此外，数据集构建时未统一采集标准，图像来源的异构性（如网络爬取与手拍照片）使得算法泛化能力评估受到局限。这些特性要求研究者设计更鲁棒的数据增强策略与类别平衡机制。

常用场景

经典使用场景

在计算机视觉领域，Caltech101数据集因其涵盖101类物体（如动物、乐器、交通工具等）的丰富图像，成为评估图像分类算法性能的经典基准。研究者通常将其用于训练卷积神经网络（CNN）或视觉Transformer模型，通过对比模型在训练集与测试集上的准确率，检验特征提取与泛化能力。该数据集还常被用于少样本学习（few-shot learning）场景，因其类别多样但每类样本数量有限，天然适合模拟现实世界中数据稀疏的问题。

实际应用

实际应用中，Caltech101的类别覆盖了安防（如识别revolver、stop_sign）、医疗（如brain图像分析）和工业检测（如识别stapler、wrench）等场景。企业可基于该数据集预训练模型，再通过微调适配定制化任务，例如在自动驾驶中识别motorbikes与car_side，或在零售领域区分pizza与cup。其轻量级特性（约9000张图像）也适合嵌入式设备上的模型部署，推动边缘计算中的实时物体识别落地。

衍生相关工作

围绕Caltech101衍生出多项经典工作，如Fei-Fei Li等人利用该数据集验证了基于词袋模型（Bag-of-Words）的物体识别方法，开创了非参数化分类先河。后续研究中，Hinton团队在此数据集上测试了深度信念网络（DBN）的性能，而Krizhevsky的AlexNet也以其为基准之一验证了深度卷积网络的突破性效果。此外，该数据集催生了Caltech256、Caltech-UCSD Birds等扩展版本，持续推动细粒度识别与领域适应研究的发展。