CIFAR-10-Datensatz#
Der CIFAR-10-Datensatz (Kanadisches Institut für fortgeschrittene Forschung) ist ein klassischer Benchmark für die Bildklassifizierung mit 60.000 32x32 großen Farbbildern, die gleichmäßig auf 10 Klassen verteilt sind: Flugzeug, Auto, Vogel, Katze, Hirsch, Hund, Frosch, Pferd, Schiff und Lastwagen. Er enthält eine vordefinierte Aufteilung in 50.000 Trainings- und 10.000 Testbilder (6.000 pro Klasse) und bietet damit einen kompakten, ausgewogenen Ausgangspunkt für das Training und Benchmarking von Klassifizierungsmodellen. Für eine feiner abgestufte Herausforderung findest du im zugehörigen CIFAR-100-Datensatz weitere Informationen.
Besuche CIFAR-10 auf der Ultralytics Platform, um Beispiele in der Vorschau anzuzeigen, Datensatzstatistiken zu prüfen und den Datensatz für das Training zu klonen.
Wichtige Funktionen#
- CIFAR-10 enthält 60.000 Farbbilder mit einer Größe von 32x32 Pixeln, die gleichmäßig auf 10 Klassen verteilt sind.
- Jede Klasse enthält genau 6.000 Bilder – 5.000 für das Training und 1.000 für das Testen –, sodass der Datensatz perfekt ausgewogen ist.
- Die 10 Klassen sind Flugzeug, Auto, Vogel, Katze, Hirsch, Hund, Frosch, Pferd, Schiff und Lastwagen.
- Der Datensatz enthält eine vordefinierte Trainings-/Testaufteilung, sodass keine manuelle oder automatische Aufteilung erforderlich ist.
- CIFAR-10 ist ein Standardbenchmark für die Bildklassifizierung und die Forschung zur Objekterkennung.
Datensatzstruktur#
CIFAR-10 enthält eine offizielle, vordefinierte Aufteilung, sodass keine automatische oder manuelle Partitionierung 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)
CIFAR-10 hat keinen separaten Validierungsordner. Daher verwendet Ultralytics standardmäßig die 10.000 Testbilder während des Trainings als Validierungsaufteilung.
Anwendungen#
CIFAR-10 wird häufig zum Trainieren und Bewerten von Modellen für die Bildklassifizierung eingesetzt – von klassischen Faltungsneuronalen Netzen (CNNs) und Support-Vektor-Maschinen (SVMs) bis hin zu modernen tiefen Architekturen. Die geringe Bildgröße und die ausgewogenen Klassen machen den Datensatz ideal für schnelle Experimente, das Benchmarking neuer Algorithmen und die Vermittlung von Grundlagen der Computer Vision.
Verwendung#
Trainiere ein YOLO-Modell auf CIFAR-10 über 100 Epochen mit einer Bildgröße von 32. Eine vollständige Liste der verfügbaren Argumente findest du auf der Seite Training und im Leitfaden zur Aufgabe Bildklassifizierung.
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#
Der CIFAR-10-Datensatz enthält Farbbilder verschiedener Objekte und bietet damit einen gut strukturierten Datensatz für Aufgaben der Bildklassifizierung. Hier sind einige Beispiele für Bilder aus dem Datensatz:
Die Beispiele zeigen die Vielfalt der Objekte im CIFAR-10-Datensatz und verdeutlichen den Nutzen eines vielfältigen Datensatzes für das Training robuster Bildklassifizierungsmodelle.
Zitate und Danksagungen#
Wenn du den CIFAR-10-Datensatz in deiner Forschungs- oder Entwicklungsarbeit verwendest, zitiere bitte die folgende Veröffentlichung:
@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 erstellt und gepflegt hat und ihn damit der Forschungscommunity für maschinelles Lernen und Computer Vision als wertvolle Ressource zur Verfügung stellt. Weitere Informationen zum CIFAR-10-Datensatz und seinem Ersteller findest du auf der Website des CIFAR-10-Datensatzes.
FAQ#
Der CIFAR-10-Datensatz wird häufig zum Trainieren und Benchmarking von Modellen für die Bildklassifizierung und Objekterkennung verwendet. Er enthält 60.000 32x32 große Farbbilder, die gleichmäßig auf 10 Klassen verteilt sind. Seine geringe Größe und die ausgewogenen Klassen machen ihn zu einem schnellen, zuverlässigen Benchmark für Algorithmen wie konvolutionale Neuronale Netze (CNNs) und Support-Vektor-Maschinen (SVMs).
Um ein Ultralytics-YOLO-Modell auf CIFAR-10 zu trainieren, verwende die folgenden Codeausschnitte. Der Datensatz wird bei der ersten Verwendung automatisch heruntergeladen. Eine vollständige Liste der Argumente findest du auf der Seite Training des Modells.
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, Hirsch, Hund, Frosch, Pferd, Schiff und Lastwagen – mit jeweils genau 6.000 Bildern, also insgesamt 60.000 Bildern. Die Klassen schließen sich gegenseitig aus und sind perfekt ausgewogen; zwischen den Kategorien gibt es keine Überschneidungen.
CIFAR-10 enthält eine vordefinierte Aufteilung in 50.000 Trainingsbilder und 10.000 Testbilder, mit genau 5.000 Trainings- und 1.000 Testbildern pro Klasse. Anders als bei ordnerbasierten Klassifizierungsdatensätzen, die Ultralytics automatisch aufteilt, wird die offizielle Partition von CIFAR-10 unverändert verwendet. Der Testsatz dient während des Trainings standardmäßig als Validierungsaufteilung.
Ja. Mit der Ultralytics Platform kannst du Datensätze verwalten, Modelle für die Bildklassifizierung trainieren und sie ohne umfangreiche Programmierkenntnisse bereitstellen. Sie bietet eine praktische Möglichkeit, CIFAR-10-Experimente in der Cloud durchzuführen. Weitere Optionen findest du in unserer Übersicht über Klassifizierungsdatensätze.