Erste Schritte

CIFAR-10-Datensatz

CIFAR-10 preview 1
CIFAR-10 preview 2
CIFAR-10 preview 3
CIFAR-10 preview 4
60,000
CIFAR-10
ultralytics
PublicClassify

Tiny 32x32 color photos of common vehicles and animals, the classic small-image classification benchmark from the University of Toronto. Collected by Alex Krizhevsky, Vinod Nair, and Geoffrey Hinton as a hand-labeled subset of the 80 Million Tiny Images collection, with balanced, mutually exclusive classes. Source: Krizhevsky, "Learning Multiple Layers of Features from Tiny Images," University of Toronto tech report 2009; cs.toronto.edu/~kriz/cifar.html.

110 classes66 MBOct 23, 2026
airplaneautomobilebirdcat+6
image-classificationcifar10object-recognition+1

Der Datensatz CIFAR-10 (Canadian Institute For Advanced Research) ist ein klassischer Benchmark für die Bildklassifizierung mit 60.000 farbigen Bildern der Größe 32x32, die gleichmäßig auf 10 Klassen verteilt sind: Flugzeug, Auto, Vogel, Katze, Hirsch, Hund, Frosch, Pferd, Schiff und Lastwagen. Er wird mit einer vordefinierten Aufteilung in 50.000 Trainings- und 10.000 Testbilder (6.000 pro Klasse) bereitgestellt und eignet sich als kompakter, ausgewogener Ausgangspunkt für das Training und die Bewertung von Klassifizierungsmodellen. Eine noch feinere Herausforderung bietet der verwandte Datensatz CIFAR-100.

Sieh dir CIFAR-10 auf der Ultralytics Platform an, um Beispiele in der Vorschau zu sehen, Datensatzstatistiken zu prüfen und den Datensatz zum Training zu kopieren.



Ansehen: So trainierst du ein Bildklassifizierungsmodell mit dem CIFAR-10-Datensatz und Ultralytics YOLO

Wichtige Funktionen#

  • CIFAR-10 umfasst 60.000 Farbbilder mit jeweils 32x32 Pixeln, gleichmäßig auf 10 Klassen verteilt.
  • Jede Klasse umfasst genau 6.000 Bilder – 5.000 zum Trainieren und 1.000 zum Testen. Der Datensatz ist somit perfekt ausgewogen.
  • Die 10 Klassen sind Flugzeug, Auto, Vogel, Katze, Hirsch, Hund, Frosch, Pferd, Schiff und Lastwagen.
  • Der Datensatz wird mit einer vordefinierten Aufteilung in Trainings- und Testdaten bereitgestellt; eine manuelle oder automatische Aufteilung ist daher nicht erforderlich.
  • CIFAR-10 ist ein Standardbenchmark für die Forschung zu Bildklassifizierung und Objekterkennung.

Datensatzstruktur#

CIFAR-10 wird mit einer offiziellen, vordefinierten Aufteilung bereitgestellt, sodass weder eine automatische noch eine manuelle Aufteilung erforderlich ist:

  • Klassen: 10 (Flugzeug, Auto, Vogel, Katze, Hirsch, Hund, Frosch, Pferd, Schiff, Lastwagen)
  • Bilder insgesamt: 60.000 (32x32, Farbe)
  • Trainingsdaten: 50.000 Bilder (5.000 pro Klasse)
  • Testdaten: 10.000 Bilder (1.000 pro Klasse)
Validierungssatz

CIFAR-10 hat keinen separaten Validierungsordner. Daher verwendet Ultralytics standardmäßig während des Trainings die 10.000 Testbilder als Validierungsdaten.

Anwendungsfälle#

CIFAR-10 wird häufig zum Trainieren und Evaluieren von Bildklassifizierungsmodellen verwendet – von klassischen faltenden neuronalen Netzen (CNNs) und Support-Vektor-Maschinen (SVMs) bis hin zu modernen tiefen Architekturen. Die kleinen Bilder und ausgewogenen Klassen machen den Datensatz ideal für schnelle Experimente, die Bewertung neuer Algorithmen und die Vermittlung von Grundlagen der Computer Vision.

Verwendung#

Trainiere ein YOLO26n-cls-Modell 100 Epochen lang auf CIFAR-10 mit einer Bildgröße von 32.

Trainingsbeispiel
from ultralytics import YOLO

# Ein Modell laden
model = YOLO("yolo26n-cls.pt")  # ein vortrainiertes Modell laden (für das Training empfohlen)

# Das Modell trainieren
results = model.train(data="cifar10", epochs=100, imgsz=32)

Beispielbilder und Annotationen#

Der CIFAR-10-Datensatz enthält Farbbilder verschiedener Objekte und bietet damit eine gut strukturierte Grundlage für Bildklassifizierungsaufgaben. Hier sind einige Beispielbilder aus dem Datensatz:

Beispiele aus dem CIFAR-10-Bildklassifizierungsdatensatz

Die Beispiele zeigen die Vielfalt der Objekte im CIFAR-10-Datensatz und verdeutlichen, wie wertvoll ein vielfältiger Datensatz für das Training robuster Bildklassifizierungsmodelle ist.

Zitate und Danksagungen#

Wenn du den CIFAR-10-Datensatz in deiner Forschung oder Entwicklungsarbeit verwendest, zitiere bitte die folgende Arbeit:

Zitierung
@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 den Datensatz CIFAR-10 erstellt und gepflegt und ihn so der Forschungscommunity für maschinelles Lernen und Computer Vision als wertvolle Ressource zur Verfügung gestellt hat.

Häufig gestellte Fragen#

  • Der Datensatz CIFAR-10 wird häufig zum Trainieren und Bewerten von Modellen für Bildklassifizierung und Objekterkennung verwendet. Er umfasst 60.000 Farbbilder mit einer Größe von 32 × 32, die gleichmäßig auf 10 Klassen verteilt sind. Seine geringe Größe und ausgewogenen Klassen machen ihn zu einem schnellen und zuverlässigen Benchmark für Algorithmen wie faltende neuronale Netze (CNNs) und Support-Vektor-Maschinen (SVMs).

  • Verwende die nachstehenden Codebeispiele, um ein Ultralytics-YOLO-Modell mit CIFAR-10 zu trainieren. Beim ersten Gebrauch wird der Datensatz automatisch heruntergeladen. Die vollständige Liste der Argumente findest du auf der Seite Training des Modells.

    Trainingsbeispiel
    from ultralytics import YOLO
    
    # Ein Modell laden
    model = YOLO("yolo26n-cls.pt")  # ein vortrainiertes Modell laden (für das Training empfohlen)
    
    # Das Modell trainieren
    results = model.train(data="cifar10", epochs=100, imgsz=32)
  • CIFAR-10 umfasst 10 Klassen – Flugzeug, Auto, Vogel, Katze, Hirsch, Hund, Frosch, Pferd, Schiff und Lastwagen – mit genau 6.000 Bildern pro Klasse, also insgesamt 60.000 Bildern. Die Klassen schließen sich gegenseitig aus und sind perfekt ausgewogen; es gibt keine Überschneidungen zwischen den Kategorien.

  • CIFAR-10 wird mit einer vordefinierten Aufteilung in 50.000 Trainings- und 10.000 Testbilder bereitgestellt, davon genau 5.000 Trainings- und 1.000 Testbilder pro Klasse. Anders als bei ordnerbasierten Klassifizierungsdatensätzen, die Ultralytics automatisch aufteilt, wird die offizielle Aufteilung von CIFAR-10 unverändert verwendet. Standardmäßig dienen die Testdaten während des Trainings als Validierungsdaten.

  • Ja. Mit der Ultralytics Platform kannst du Datensätze verwalten, Modelle zur Bildklassifizierung trainieren und bereitstellen, ohne viel programmieren zu müssen. Sie ist eine praktische Möglichkeit, CIFAR-10-Experimente in der Cloud auszuführen. Weitere Möglichkeiten findest du in unserer Übersicht über Klassifizierungsdatensätze.

Kommentare

Stell eine Frage, teile deine Ergebnisse oder hilf jemand anderem.