Link to this sectionCIFAR-10-Datensatz#

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

Link to this sectionHauptfunktionen#

• 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 das Testen.
• Die Bilder sind farbig und haben eine Größe von 32x32 Pixeln.
• Die 10 verschiedenen Klassen repräsentieren Flugzeuge, Autos, Vögel, Katzen, Rehe, Hunde, Frösche, Pferde, Schiffe und Lastwagen.
• CIFAR-10 wird häufig für das Training und Testen im Bereich des maschinellen Lernens und der Computer Vision eingesetzt.

Link to this sectionDatensatzstruktur#

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

1. Trainingsmenge: Diese Teilmenge enthält 50.000 Bilder, die zum Trainieren von Modellen für maschinelles Lernen verwendet werden.
2. Testset: Diese Teilmenge besteht aus 10.000 Bildern, die zum Testen und zum Benchmarking der trainierten Modelle verwendet werden.

Link to this sectionAnwendungen#

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

Link to this sectionVerwendung#

Um ein YOLO-Modell auf dem CIFAR-10-Datensatz für 100 Epochen mit einer Bildgröße von 32x32 zu trainieren, kannst du die folgenden Code-Snippets verwenden. Eine umfassende Liste der verfügbaren Argumente findest du auf der Seite Training für Modelle.

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)

Link to this sectionBeispielbilder und Annotationen#

Der CIFAR-10-Datensatz enthält Farbbilder verschiedener Objekte und bietet einen gut strukturierten Datensatz für Bildklassifizierungsaufgaben. Hier sind einige Beispiele für Bilder aus dem Datensatz:

Das Beispiel zeigt die Vielfalt und Komplexität der Objekte im CIFAR-10-Datensatz und unterstreicht die Bedeutung eines diversen Datensatzes für das Training robuster Bildklassifizierungsmodelle.

Link to this sectionZitate 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 den CIFAR-10-Datensatz als wertvolle Ressource für die Gemeinschaft der Forschung im Bereich maschinelles Lernen und Computer Vision erstellt und gepflegt hat. Für weitere Informationen über den CIFAR-10-Datensatz und dessen Schöpfer, besuche die CIFAR-10-Datensatz-Website.

Link to this sectionFAQ#

Link to this sectionWie kann ich ein YOLO-Modell auf dem CIFAR-10-Datensatz trainieren?#

Um ein YOLO-Modell auf dem CIFAR-10-Datensatz mit Ultralytics zu trainieren, kannst du die Beispiele befolgen, die sowohl für Python als auch für CLI bereitgestellt werden. Hier ist ein grundlegendes Beispiel, um dein Modell für 100 Epochen mit einer Bildgröße von 32x32 Pixeln zu trainieren:

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)

Weitere Details findest du auf der Seite Training für Modelle.

Link to this sectionWas sind die Hauptmerkmale 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 für das Training und 1.000 für das Testen. Die Bilder sind 32x32 Pixel groß und variieren über die folgenden Kategorien:

• Flugzeuge
• Autos
• Vögel
• Katzen
• Rehe
• Hunde
• Frösche
• Pferde
• Schiffe
• Lastwagen

Dieser diverse Datensatz ist essenziell für das Training von Bildklassifizierungsmodellen in Bereichen wie maschinelles Lernen und Computer Vision. Für weitere Informationen besuche die CIFAR-10-Abschnitte zu Datensatzstruktur und Anwendungen.

Link to this sectionWarum den CIFAR-10-Datensatz für Bildklassifizierungsaufgaben verwenden?#

Der CIFAR-10-Datensatz ist aufgrund seiner Vielfalt und Struktur ein hervorragender Benchmark für die Bildklassifizierung. Er enthält eine ausgewogene Mischung aus 60.000 beschrifteten Bildern über 10 verschiedene Kategorien, was beim Training robuster und generalisierter Modelle hilft. Er wird häufig zur Evaluierung von Deep-Learning-Modellen verwendet, einschließlich Convolutional Neural Networks (CNNs) und anderen Algorithmen für maschinelles Lernen. Der Datensatz ist relativ klein, was ihn für schnelle Experimente und Algorithmenentwicklung geeignet macht. Entdecke die zahlreichen Anwendungen im Abschnitt Anwendungen.

Link to this sectionWie ist der CIFAR-10-Datensatz strukturiert?#

Der CIFAR-10-Datensatz ist in zwei Haupt-Teilmengen strukturiert:

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

Jede Teilmenge umfasst Bilder, die in 10 Klassen kategorisiert sind, wobei ihre Annotationen für das Modelltraining und die Evaluierung leicht verfügbar sind. Detailliertere Informationen findest du im Abschnitt Datensatzstruktur.

Link to this sectionWie kann ich den CIFAR-10-Datensatz in meiner Forschung zitieren?#

Wenn du den CIFAR-10-Datensatz in deinen Forschungs- oder Entwicklungsprojekten verwendest, stelle sicher, dass du das folgende Paper zitierst:

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

Die Anerkennung der Schöpfer des Datensatzes hilft dabei, die fortlaufende Forschung und Entwicklung auf diesem Gebiet zu unterstützen. Weitere Details findest du im Abschnitt Zitate und Danksagungen.

Link to this sectionWas sind einige praktische Beispiele für die Verwendung des CIFAR-10-Datensatzes?#

Der CIFAR-10-Datensatz wird häufig für das Training von Bildklassifizierungsmodellen verwendet, wie etwa Convolutional Neural Networks (CNNs) und Support Vector Machines (SVMs). Diese Modelle können bei verschiedenen Aufgaben der Computer Vision eingesetzt werden, einschließlich Objekterkennung, Bilderkennung und automatischer Tagging-Prozesse. Um praktische Beispiele zu sehen, schau dir die Code-Snippets im Abschnitt Verwendung an.