CIFAR-10-Datensatz

Q: How is the CIFAR-10 dataset structured?

Der CIFAR-10-Datensatz ist in zwei Hauptteilmengen unterteilt: Jeder Teilsatz umfasst Bilder, die in 10 Klassen eingeteilt sind und deren Anmerkungen für die Modellschulung und -bewertung zur Verfügung stehen. Ausführlichere Informationen finden Sie im Abschnitt über die Struktur des Datensatzes.

Der CIFAR-10-Datensatz (Canadian Institute For Advanced Research) ist eine Sammlung von Bildern, die häufig für Algorithmen des maschinellen Lernens und des Computersehens verwendet wird. Er wurde von Forschern des CIFAR-Instituts entwickelt und besteht aus 60.000 32x32-Farbbildern in 10 verschiedenen Klassen.

Beobachten: Wie trainiert man einen Bild-Klassifizierung Modell mit CIFAR-10-Datensatz unter Verwendung von Ultralytics YOLO11

Wesentliche Merkmale

Der CIFAR-10-Datensatz besteht aus 60.000 Bildern, die in 10 Klassen unterteilt sind.
Jede Klasse enthält 6.000 Bilder, aufgeteilt in 5.000 für das Training und 1.000 für die Tests.
Die Bilder sind farbig und haben eine Größe von 32x32 Pixeln.
Die 10 verschiedenen Klassen stellen Flugzeuge, Autos, Vögel, Katzen, Hirsche, Hunde, Frösche, Pferde, Schiffe und Lastwagen dar.
CIFAR-10 wird üblicherweise für das Training und Testen im Bereich des maschinellen Lernens und der Computer Vision verwendet.

Struktur des Datensatzes

Der CIFAR-10-Datensatz ist in zwei Teilmengen aufgeteilt:

Trainingssatz: Dieser Teilsatz enthält 50.000 Bilder, die für das Training von Machine-Learning-Modellen verwendet werden.
Testsatz: Dieser Teilsatz besteht aus 10.000 Bildern, die zum Testen und Benchmarking der trainierten Modelle verwendet werden.

Anwendungen

Der CIFAR-10-Datensatz wird häufig zum Trainieren und Evaluieren von Deep-Learning-Modellen für Bildklassifizierungsaufgaben verwendet, wie z. B. Convolutional Neural Networks (CNNs), Support Vector Machines (SVMs) und verschiedene andere Algorithmen für maschinelles Lernen. Die Vielfalt des Datensatzes in Bezug auf die Klassen und das Vorhandensein von Farbbildern machen ihn zu einem gut abgerundeten Datensatz für die Forschung und Entwicklung im Bereich des maschinellen Lernens und der Computer Vision.

Verwendung

Um ein YOLO -Modell auf dem CIFAR-10-Datensatz für 100 Epochen mit einer Bildgröße von 32x32 zu trainieren, können Sie die folgenden Codeschnipsel verwenden. Eine umfassende Liste der verfügbaren Argumente finden Sie auf der Seite Modelltraining.

Beispiel für einen Zug

PythonCLI

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

Beispielbilder und -kommentare

Der CIFAR-10-Datensatz enthält Farbbilder von verschiedenen Objekten und bietet einen gut strukturierten Datensatz für Bildklassifizierungsaufgaben. Hier sind einige Beispiele von Bildern aus dem Datensatz:

Datensatz Beispielbild

Das Beispiel zeigt die Vielfalt und Komplexität der Objekte im CIFAR-10-Datensatz und verdeutlicht, wie wichtig ein vielfältiger Datensatz für das Training robuster Bildklassifizierungsmodelle ist.

Zitate und Danksagungen

Wenn Sie den CIFAR-10-Datensatz in Ihrer Forschungs- oder Entwicklungsarbeit verwenden, zitieren Sie bitte das folgende Dokument:

BibTeX

@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 CIFAR-10-Datensatz als wertvolle Ressource für die Forschungsgemeinschaft im Bereich des maschinellen Lernens und des Computersehens erstellt und gepflegt hat. Weitere Informationen über den CIFAR-10-Datensatz und seinen Ersteller finden Sie auf der Website des CIFAR-10-Datensatzes.

FAQ

Wie kann ich ein YOLO Modell auf dem CIFAR-10-Datensatz trainieren?

Um ein YOLO -Modell auf dem CIFAR-10-Datensatz mit Ultralytics zu trainieren, können Sie den Beispielen folgen, die sowohl für Python als auch für CLI bereitgestellt werden. Hier ist ein einfaches Beispiel, um Ihr Modell für 100 Epochen mit einer Bildgröße von 32x32 Pixeln zu trainieren:

Beispiel

PythonCLI

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

Weitere Einzelheiten finden Sie auf der Seite Modellschulung.

Was sind die wichtigsten Merkmale des CIFAR-10-Datensatzes?

Der CIFAR-10-Datensatz besteht aus 60.000 Farbbildern, die in 10 Klassen unterteilt sind. Jede Klasse enthält 6.000 Bilder, davon 5.000 zum Trainieren und 1.000 zum Testen. Die Bilder haben eine Größe von 32x32 Pixeln und sind in die folgenden Kategorien unterteilt:

Flugzeuge
Autos
Vögel
Katzen
Hirsche
Hunde
Frösche
Pferde
Schiffe
Lastkraftwagen

Dieser vielfältige Datensatz ist für das Training von Bildklassifizierungsmodellen in Bereichen wie maschinelles Lernen und Computer Vision unerlässlich. Weitere Informationen finden Sie in den CIFAR-10-Abschnitten über die Struktur des Datensatzes und die Anwendungen.

Warum sollte man den CIFAR-10-Datensatz für Bildklassifizierungsaufgaben verwenden?

Der CIFAR-10-Datensatz ist aufgrund seiner Vielfalt und Struktur ein ausgezeichneter Maßstab für die Bildklassifizierung. Er enthält eine ausgewogene Mischung aus 60.000 beschrifteten Bildern in 10 verschiedenen Kategorien, was das Training robuster und verallgemeinerter Modelle erleichtert. Er wird häufig für die Bewertung von Deep-Learning-Modellen verwendet, einschließlich Convolutional Neural Networks (CNNs) und anderer Algorithmen für maschinelles Lernen. Der Datensatz ist relativ klein, so dass er sich für schnelle Experimente und die Entwicklung von Algorithmen eignet. Erkunden Sie die zahlreichen Anwendungen im Abschnitt Anwendungen.

Wie ist der CIFAR-10-Datensatz aufgebaut?

Der CIFAR-10-Datensatz ist in zwei Hauptgruppen unterteilt:

Trainingssatz: Enthält 50.000 Bilder, die zum Trainieren von Modellen für maschinelles Lernen verwendet werden.
Testsatz: Besteht aus 10.000 Bildern zum Testen und Benchmarking der trainierten Modelle.

Jeder Teilsatz umfasst Bilder, die in 10 Klassen eingeteilt sind und deren Anmerkungen für die Modellschulung und -bewertung zur Verfügung stehen. Ausführlichere Informationen finden Sie im Abschnitt über die Struktur des Datensatzes.

Wie kann ich den CIFAR-10-Datensatz in meiner Forschung zitieren?

Wenn Sie den CIFAR-10-Datensatz in Ihren Forschungs- oder Entwicklungsprojekten verwenden, stellen Sie sicher, dass Sie das folgende Dokument zitieren:

BibTeX

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

Die Danksagung an die Ersteller des Datensatzes hilft, die weitere Forschung und Entwicklung in diesem Bereich zu unterstützen. Weitere Einzelheiten finden Sie im Abschnitt Zitate und Danksagungen.

Was sind einige praktische Beispiele für die Verwendung des CIFAR-10-Datensatzes?

Der CIFAR-10-Datensatz wird häufig für das Training von Bildklassifizierungsmodellen wie Convolutional Neural Networks (CNNs) und Support Vector Machines (SVMs) verwendet. Diese Modelle können bei verschiedenen Computer-Vision-Aufgaben wie Objekterkennung, Bilderkennung und automatischer Markierung eingesetzt werden. Einige praktische Beispiele finden Sie in den Codeschnipseln im Abschnitt Verwendung.

📅 Erstellt vor 1 Jahr ✏️ Aktualisiert vor 1 Monat