CIFAR-10-Datensatz#
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 mit dem CIFAR-10-Datensatz und Ultralytics YOLO ein Modell zur Bildklassifizierung
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)
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 Bewerten von Modellen zur Bildklassifizierung verwendet – von klassischen faltenden neuronalen Netzen (CNNs) und Support Vector Machines (SVMs) bis hin zu modernen tiefen Architekturen. Die geringe Bildgröße und die ausgewogene Klassenverteilung eignen sich ideal für schnelle Experimente, den Vergleich neuer Algorithmen und die Vermittlung der Grundlagen von Computer Vision.
Verwendung#
Trainiere ein YOLO-Modell 100 Epochen lang mit CIFAR-10 und einer Bildgröße von 32. Die vollständige Liste der verfügbaren Argumente findest du auf der Seite Training und in der Anleitung zur Aufgabe Bildklassifizierung.
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 Datengrundlage für Aufgaben der Bildklassifizierung. Hier sind einige Beispielbilder aus dem Datensatz:
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:
@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 so der Forschungsgemeinschaft für maschinelles Lernen und Computer Vision als wertvolle Ressource zur Verfügung stellt. Weitere Informationen zum CIFAR-10-Datensatz und seinem Urheber findest du auf der CIFAR-10-Datensatzwebsite.
Häufig gestellte Fragen#
Der Datensatz CIFAR-10 wird häufig zum Trainieren und Bewerten von Modellen zur Bildklassifizierung und Objekterkennung verwendet. Er umfasst 60.000 farbige Bilder der Größe 32x32, gleichmäßig auf 10 Klassen verteilt. Seine geringe Größe und ausgewogene Klassenverteilung machen ihn zu einem schnellen, zuverlässigen Benchmark für Algorithmen wie faltende neuronale Netze (CNNs) und Support Vector Machines (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.
Trainingsbeispielfrom 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.