CIFAR-10-Datensatz

The CIFAR-10 (Canadian Institute For Advanced Research) dataset is a collection of images used widely for machine learning and computer vision algorithms. It was developed by researchers at the CIFAR institute and consists of 60,000 32x32 color images in 10 different classes.

Pass auf: How to Train an Bildklassifizierung Model with CIFAR-10 Dataset using Ultralytics YOLO11

Hauptmerkmale

• 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 zum Trainieren und 1.000 zum Testen.
• Die Bilder sind farbig und haben eine Größe von 32x32 Pixeln.
• Die 10 verschiedenen Klassen repräsentieren Flugzeuge, Autos, Vögel, Katzen, Hirsche, Hunde, Frösche, Pferde, Schiffe und Lastwagen.
• CIFAR-10 wird häufig zum Trainieren und Testen im Bereich des maschinellen Lernens und der Computer Vision verwendet.

Struktur des Datensatzes

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

1. Training Set: Diese Teilmenge enthält 50.000 Bilder, die für das Training von Machine-Learning-Modellen verwendet werden.
2. Testsatz: Diese Teilmenge besteht aus 10.000 Bildern, die zum Testen und Vergleichen der trainierten Modelle verwendet werden.

Anwendungen

The CIFAR-10 dataset is widely used for training and evaluating deep learning models in image classification tasks, such as Convolutional Neural Networks (CNNs), Support Vector Machines (SVMs), and various other machine learning algorithms. The diversity of the dataset in terms of classes and the presence of color images make it a well-rounded dataset for research and development in the field of machine learning and computer vision.

Verwendung

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

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 Anmerkungen

Der CIFAR-10-Datensatz enthält Farbbilder von verschiedenen Objekten und ist damit ein gut strukturierter Datensatz für Bildklassifizierungsaufgaben. Hier sind einige Beispiele für Bilder aus diesem Datensatz:

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 du den CIFAR-10-Datensatz in deiner Forschungs- oder Entwicklungsarbeit verwendest, zitiere bitte das folgende Papier:

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

We would like to acknowledge Alex Krizhevsky for creating and maintaining the CIFAR-10 dataset as a valuable resource for the machine learning and computer vision research community. For more information about the CIFAR-10 dataset and its creator, visit the CIFAR-10 dataset website.

FAQ

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

To train a YOLO model on the CIFAR-10 dataset using Ultralytics, you can follow the examples provided for both Python and CLI. Here is a basic example to train your model for 100 epochs with an image size of 32x32 pixels:

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 Informationen findest du auf der Seite zum Modell Training.

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 sind 32x32 Pixel groß und unterscheiden sich in den folgenden Kategorien:

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

Dieser vielfältige Datensatz ist wichtig für das Training von Bildklassifizierungsmodellen in Bereichen wie maschinelles Lernen und Computer Vision. Weitere Informationen findest du in den CIFAR-10-Abschnitten zur Struktur des Datensatzes und zu den Anwendungen.

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

The CIFAR-10 dataset is an excellent benchmark for image classification due to its diversity and structure. It contains a balanced mix of 60,000 labeled images across 10 different categories, which helps in training robust and generalized models. It is widely used for evaluating deep learning models, including Convolutional Neural Networks (CNNs) and other machine learning algorithms. The dataset is relatively small, making it suitable for quick experimentation and algorithm development. Explore its numerous applications in the applications section.

Wie ist der CIFAR-10-Datensatz aufgebaut?

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

1. Trainingsset: Enthält 50.000 Bilder, die zum Trainieren von Machine-Learning-Modellen verwendet werden.
2. Testsatz: Besteht aus 10.000 Bildern zum Testen und Vergleichen der trainierten Modelle.

Jeder Teilsatz umfasst Bilder, die in 10 Klassen eingeteilt sind und deren Anmerkungen für das Training und die Auswertung des Modells zur Verfügung stehen. Genauere Informationen findest du im Abschnitt über die Struktur der Datensätze.

Wie 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 Dokument zitierst:

@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 Informationen findest du im Abschnitt Zitate und Danksagungen.

Welche praktischen Beispiele gibt es für die Nutzung des CIFAR-10-Datensatzes?

The CIFAR-10 dataset is often used for training image classification models, such as Convolutional Neural Networks (CNNs) and Support Vector Machines (SVMs). These models can be employed in various computer vision tasks including object detection, image recognition, and automated tagging. To see some practical examples, check the code snippets in the usage section.

📅 Created 11 months ago ✏️ Updated 22 days ago

Kommentare