CIFAR-10-Datensatz#
Das CIFAR-10 (Canadian Institute For Advanced Research) Dataset ist ein klassischer image classification-Benchmark mit 60.000 farbigen 32x32-Bildern, die gleichmäßig auf 10 Klassen aufgeteilt sind – Flugzeug, Auto, Vogel, Katze, Reh, Hund, Frosch, Pferd, Schiff und Lkw. Es enthält standardmäßig einen vordefinierten Split von 50.000 Trainings- und 10.000 Testbildern (6.000 pro Klasse), was es zu einem leichtgewichtigen, gut ausbalancierten Ausgangspunkt für das Training und das Benchmarking von Klassifizierungsmodellen macht. Für eine anspruchsvollere Aufgabe siehe das verwandte CIFAR-100 Dataset.
Erkunde CIFAR-10 on Ultralytics Platform, um Beispiele in der Vorschau anzuzeigen, Datensatzstatistiken zu prüfen und ihn für das Training zu klonen.
Hauptfunktionen#
- CIFAR-10 enthält 60.000 Farbbilder mit 32x32 Pixeln, die gleichmäßig in 10 Klassen unterteilt sind.
- Jede Klasse enthält genau 6.000 Bilder – 5.000 für das Training und 1.000 für das Testen –, sodass das Dataset perfekt ausbalanciert ist.
- Die 10 Klassen sind Flugzeug, Auto, Vogel, Katze, Reh, Hund, Frosch, Pferd, Schiff und LKW.
- Das Dataset wird mit einer vordefinierten Train/Test-Aufteilung geliefert, sodass keine manuelle oder automatische Aufteilung erforderlich ist.
- CIFAR-10 ist ein Standard-Benchmark für die Forschung im Bereich image classification und Objekterkennung.
Datensatzstruktur#
CIFAR-10 wird mit einer offiziellen, vordefinierten Aufteilung geliefert, sodass keine automatische oder manuelle Partitionierung erforderlich ist:
- Klassen: 10 (Flugzeug, Auto, Vogel, Katze, Reh, Hund, Frosch, Pferd, Schiff, LKW)
- Gesamtanzahl der Bilder: 60.000 (32x32 Farbe)
- Trainingsset: 50.000 Bilder (5.000 pro Klasse)
- Testset: 10.000 Bilder (1.000 pro Klasse)
CIFAR-10 hat keinen separaten Validierungsordner, daher verwendet Ultralytics standardmäßig das 10.000 Bilder umfassende Testset als Validierungs-Split während des Trainings.
Anwendungen#
CIFAR-10 wird häufig verwendet, um image classification-Modelle zu trainieren und zu evaluieren, von klassischen Convolutional Neural Networks (CNNs) und Support Vector Machines (SVMs) bis hin zu modernen Deep-Learning-Architekturen. Die geringe Bildgröße und die ausbalancierten Klassen machen es ideal für schnelle Experimente, das Benchmarking neuer Algorithmen und das Vermitteln der Grundlagen des computer vision.
Verwendung#
Trainiere ein YOLO-Modell auf CIFAR-10 für 100 epochs bei einer Bildgröße von 32. Die vollständige Liste der verfügbaren Argumente findest du auf der Training-Seite und im Leitfaden für die image classification-Aufgabe.
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="cifar10", epochs=100, imgsz=32)Beispielbilder und Annotationen#
Das CIFAR-10 Dataset enthält Farbbilder verschiedener Objekte und bietet so einen gut strukturierten Datensatz für image classification-Aufgaben. Hier sind einige Beispiele für Bilder aus dem Datensatz:
Die Beispiele zeigen die Vielfalt der Objekte im CIFAR-10 Dataset und unterstreichen den Wert eines abwechslungsreichen Datasets für das Training robuster Bildklassifizierungsmodelle.
Zitate und Danksagungen#
Wenn du den CIFAR-10-Datensatz für deine Forschungs- oder Entwicklungsarbeit verwendest, zitiere bitte das folgende Paper:
@TECHREPORT{Krizhevsky09learningmultiple,
author={Alex Krizhevsky},
title={Learning multiple layers of features from tiny images},
institution={},
year={2009}
}Wir möchten Alex Krizhevsky dafür danken, dass er das CIFAR-10 Dataset erstellt und gepflegt hat, wodurch es eine wertvolle Ressource für die machine learning- und computer vision-Forschungsgemeinschaft ist. Weitere Informationen über das CIFAR-10 Dataset und seinen Ersteller findest du auf der CIFAR-10 dataset website.
FAQ#
Das CIFAR-10 Dataset wird häufig verwendet, um Modelle für image classification und Objekterkennung zu trainieren und zu benchen. Es enthält 60.000 farbige 32x32-Bilder, die gleichmäßig auf 10 Klassen verteilt sind. Seine geringe Größe und die ausbalancierten Klassen machen es zu einem schnellen, zuverlässigen Benchmark für Algorithmen wie Convolutional Neural Networks (CNNs) und Support Vector Machines (SVMs).
Um ein Ultralytics YOLO-Modell auf CIFAR-10 zu trainieren, verwende die Code-Snippets unten. Das Dataset wird bei der ersten Verwendung automatisch heruntergeladen. Eine vollständige Liste der Argumente findest du auf der Modell-Training-Seite.
Trainingsbeispielfrom 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="cifar10", epochs=100, imgsz=32)CIFAR-10 hat 10 Klassen – Flugzeug, Auto, Vogel, Katze, Reh, Hund, Frosch, Pferd, Schiff und LKW – mit jeweils genau 6.000 Bildern, insgesamt also 60.000 Bilder. Die Klassen schließen sich gegenseitig aus und sind perfekt ausbalanciert, ohne Überschneidungen zwischen den Kategorien.
CIFAR-10 wird mit einer vordefinierten Aufteilung von 50.000 Trainingsbildern und 10.000 Testbildern geliefert, mit jeweils genau 5.000 Trainings- und 1.000 Testbildern pro Klasse. Im Gegensatz zu ordnerbasierten Klassifizierungsdatasets, die Ultralytics automatisch aufteilt, wird die offizielle Partition von CIFAR-10 unverändert übernommen, und das Testset dient standardmäßig als Validierungs-Split während des Trainings.
Ja. Ultralytics Platform ermöglicht dir die Verwaltung von Datensätzen, das Training von image classification-Modellen und deren Bereitstellung ohne umfangreichen Code. Dies ist eine bequeme Möglichkeit, CIFAR-10-Experimente in der Cloud durchzuführen, und du kannst weitere Optionen in unserer classification datasets overview entdecken.