انتقل إلى المحتوى

مجموعة بيانات CIFAR-10

The CIFAR-10 (Canadian Institute For Advanced Research) dataset is a collection of images used widely for machine learning and computer vision algorithms. It was developed by researchers at the CIFAR institute and consists of 60,000 32x32 color images in 10 different classes.



شاهد: How to Train an تصنيف الصور Model with CIFAR-10 Dataset using Ultralytics YOLO11

الميزات الرئيسية

  • تتكون مجموعة بيانات CIFAR-10 من 60000 صورة مقسمة إلى 10 فئات.
  • يحتوي كل فصل على 6000 صورة ، مقسمة إلى 5000 للتدريب و 1000 للاختبار.
  • الصور ملونة وبحجم 32 × 32 بكسل.
  • تمثل الفئات ال 10 المختلفة الطائرات والسيارات والطيور والقطط والغزلان والضفادع والخيول والسفن والشاحنات.
  • يستخدم CIFAR-10 بشكل شائع للتدريب والاختبار في مجال التعلم الآلي ورؤية الكمبيوتر.

هيكل مجموعة البيانات

تنقسم مجموعة بيانات CIFAR-10 إلى مجموعتين فرعيتين:

  1. مجموعة التدريب: تحتوي هذه المجموعة الفرعية على 50000 صورة مستخدمة لتدريب نماذج التعلم الآلي.
  2. مجموعة الاختبار: تتكون هذه المجموعة الفرعية من 10000 صورة تستخدم لاختبار النماذج المدربة وقياسها.

التطبيقات

The CIFAR-10 dataset is widely used for training and evaluating deep learning models in image classification tasks, such as Convolutional Neural Networks (CNNs), Support Vector Machines (SVMs), and various other machine learning algorithms. The diversity of the dataset in terms of classes and the presence of color images make it a well-rounded dataset for research and development in the field of machine learning and computer vision.

استخدام

لتدريب أ YOLO نموذج على مجموعة بيانات CIFAR-10 ل 100 حقبة بحجم صورة 32 × 32 ، يمكنك استخدام مقتطفات التعليمات البرمجية التالية. للحصول على قائمة شاملة بالوسيطات المتاحة، ارجع إلى صفحة نموذج التدريب .

مثال القطار

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="cifar10", epochs=100, imgsz=32)

# Start training from a pretrained *.pt model
yolo classify train data=cifar10 model=yolo11n-cls.pt epochs=100 imgsz=32

عينة من الصور والتعليقات التوضيحية

تحتوي مجموعة بيانات CIFAR-10 على صور ملونة لكائنات مختلفة ، مما يوفر مجموعة بيانات جيدة التنظيم لمهام تصنيف الصور. فيما يلي بعض الأمثلة على الصور من مجموعة البيانات:

صورة عينة مجموعة البيانات

يعرض المثال تنوع وتعقيد الكائنات في مجموعة بيانات CIFAR-10 ، مما يسلط الضوء على أهمية مجموعة البيانات المتنوعة لتدريب نماذج تصنيف الصور القوية.

الاستشهادات والشكر

إذا كنت تستخدم مجموعة بيانات CIFAR-10 في أعمال البحث أو التطوير الخاصة بك ، فيرجى الاستشهاد بالورقة التالية:

@TECHREPORT{Krizhevsky09learningmultiple,
            author={Alex Krizhevsky},
            title={Learning multiple layers of features from tiny images},
            institution={},
            year={2009}
}

We would like to acknowledge Alex Krizhevsky for creating and maintaining the CIFAR-10 dataset as a valuable resource for the machine learning and computer vision research community. For more information about the CIFAR-10 dataset and its creator, visit the CIFAR-10 dataset website.

الأسئلة المتداولة

كيف يمكنني تدريب نموذج YOLO على مجموعة بيانات CIFAR-10؟

To train a YOLO model on the CIFAR-10 dataset using Ultralytics, you can follow the examples provided for both Python and CLI. Here is a basic example to train your model for 100 epochs with an image size of 32x32 pixels:

مثل

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="cifar10", epochs=100, imgsz=32)

# Start training from a pretrained *.pt model
yolo classify train data=cifar10 model=yolo11n-cls.pt epochs=100 imgsz=32

لمزيد من التفاصيل، ارجع إلى صفحة التدريب النموذجي.

ما هي السمات الرئيسية لمجموعة بيانات CIFAR-10؟

تتكون مجموعة بيانات CIFAR-10 من 60,000 صورة ملونة مقسمة إلى 10 فئات. تحتوي كل فئة على 6000 صورة، منها 5000 صورة للتدريب و1000 صورة للاختبار. يبلغ حجم الصور 32 × 32 بكسل وتتنوع عبر الفئات التالية:

  • الطائرات
  • السيارات
  • الطيور
  • القطط
  • الغزلان
  • الكلاب
  • الضفادع
  • الخيول
  • السفن
  • الشاحنات

تُعد مجموعة البيانات المتنوعة هذه ضرورية لتدريب نماذج تصنيف الصور في مجالات مثل التعلم الآلي والرؤية الحاسوبية. للمزيد من المعلومات، يرجى زيارة أقسام CIFAR-10 حول بنية مجموعة البيانات وتطبيقاتها.

لماذا استخدام مجموعة بيانات CIFAR-10 لمهام تصنيف الصور؟

The CIFAR-10 dataset is an excellent benchmark for image classification due to its diversity and structure. It contains a balanced mix of 60,000 labeled images across 10 different categories, which helps in training robust and generalized models. It is widely used for evaluating deep learning models, including Convolutional Neural Networks (CNNs) and other machine learning algorithms. The dataset is relatively small, making it suitable for quick experimentation and algorithm development. Explore its numerous applications in the applications section.

كيف يتم تنظيم مجموعة بيانات CIFAR-10؟

تنقسم مجموعة بيانات CIFAR-10 إلى مجموعتين فرعيتين رئيسيتين:

  1. مجموعة التدريب: تحتوي على 50,000 صورة مستخدمة لتدريب نماذج التعلم الآلي.
  2. مجموعة الاختبار: تتكون من 10,000 صورة لاختبار النماذج المدربة وقياسها.

تتألف كل مجموعة فرعية من صور مصنفة إلى 10 فئات، مع توفر شروحها بسهولة لتدريب النموذج وتقييمه. لمزيد من المعلومات التفصيلية، راجع قسم بنية مجموعة البيانات.

كيف يمكنني الاستشهاد بمجموعة بيانات CIFAR-10 في بحثي؟

إذا كنت تستخدم مجموعة بيانات CIFAR-10 في مشاريعك البحثية أو التطويرية، تأكد من الاستشهاد بالورقة البحثية التالية:

@TECHREPORT{Krizhevsky09learningmultiple,
            author={Alex Krizhevsky},
            title={Learning multiple layers of features from tiny images},
            institution={},
            year={2009}
}

يساعد الاعتراف بمنشئي مجموعة البيانات في دعم البحث والتطوير المستمر في هذا المجال. لمزيد من التفاصيل، انظر قسم الاقتباسات والشكر.

ما هي بعض الأمثلة العملية لاستخدام مجموعة بيانات CIFAR-10؟

The CIFAR-10 dataset is often used for training image classification models, such as Convolutional Neural Networks (CNNs) and Support Vector Machines (SVMs). These models can be employed in various computer vision tasks including object detection, image recognition, and automated tagging. To see some practical examples, check the code snippets in the usage section.

📅 Created 11 months ago ✏️ Updated 22 days ago
ألترالتيكسيستانتست غلين-جوتشر MatthewNoyce رضوان منور ج ك 4 هـ طموح-أخطبوط

التعليقات