CIFAR-100-Datensatz#
Der CIFAR-100-Datensatz (Canadian Institute for Advanced Research) ist ein Benchmark für Bildklassifikation mit 60.000 farbigen 32x32-Pixel-Bildern, die gleichmäßig auf 100 feingranulare Klassen verteilt sind (jeweils 600 Bilder) und wiederum in 20 grobe Oberklassen gruppiert werden. Der von Alex Krizhevsky erstellte Datensatz enthält eine vordefinierte Aufteilung in 50.000 Trainings- und 10.000 Testbilder und ist damit das anspruchsvollere, feingranularere Gegenstück zum CIFAR-10-Datensatz.
Erkunde CIFAR-100 auf der Ultralytics Platform, um Beispiele in der Vorschau anzuzeigen, Datensatzstatistiken zu prüfen und den Datensatz für das Training zu klonen.
Wichtige Funktionen#
- CIFAR-100 enthält 60.000 farbige Bilder mit einer Größe von 32x32 Pixeln, die gleichmäßig auf 100 Klassen verteilt sind.
- Jede Klasse enthält genau 600 Bilder – 500 für das Training und 100 für den Test –, sodass der Datensatz perfekt ausgewogen ist.
- Die 100 feingranularen Klassen sind für eine Klassifikation auf höherer Ebene in 20 grobe Oberklassen gruppiert.
- Der Datensatz enthält eine vordefinierte Trainings-/Testaufteilung, sodass keine manuelle oder automatische Aufteilung erforderlich ist.
- CIFAR-100 ist ein Standardbenchmark für die Forschung zu feingranularer Bildklassifikation und Objekterkennung.
Datensatzstruktur#
CIFAR-100 enthält eine offizielle, vordefinierte Aufteilung, sodass keine automatische oder manuelle Partitionierung erforderlich ist:
- Klassen: 100 feingranulare Klassen, gruppiert in 20 grobe Oberklassen
- Bilder insgesamt: 60.000 (32x32, Farbe)
- Trainingssatz: 50.000 Bilder (500 pro Klasse)
- Testsatz: 10.000 Bilder (100 pro Klasse)
CIFAR-100 verfügt über keinen separaten Validierungsordner, daher verwendet Ultralytics den 10.000 Bilder umfassenden Testsatz standardmäßig als Validierungsaufteilung während des Trainings. Das Training mit data="cifar100" lernt die 100 feingranularen Klassen.
Anwendungen#
CIFAR-100 wird häufig zum Trainieren und Bewerten von Bildklassifikationsmodellen verwendet – von klassischen Convolutional Neural Networks (CNNs) und Support Vector Machines (SVMs) bis hin zu modernen tiefen Architekturen. Seine 100 feingranularen Klassen und die geringe Bildgröße machen ihn zu einem anspruchsvollen Benchmark für die Forschung im Bereich maschinelles Lernen, den Vergleich von Algorithmen und Experimente mit Computer Vision.
Verwendung#
Trainiere ein YOLO-Modell auf CIFAR-100 für 100 Epochen mit einer Bildgröße von 32. Eine vollständige Liste der verfügbaren Argumente findest du auf der Seite Training und im Leitfaden zur Aufgabe Bildklassifikation.
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="cifar100", epochs=100, imgsz=32)Beispielbilder und Annotationen#
Beispielbilder aus dem CIFAR-100-Datensatz:
Die Beispiele zeigen die Vielfalt der Objekte im CIFAR-100-Datensatz und unterstreichen den Wert eines vielfältigen Datensatzes für das Training robuster Bildklassifikationsmodelle.
Zitate und Danksagungen#
Wenn du den CIFAR-100-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-100-Datensatz erstellt und gepflegt und damit eine wertvolle Ressource für die Forschungscommunity im Bereich maschinelles Lernen und Computer Vision bereitgestellt hat. Weitere Informationen zum CIFAR-100-Datensatz und seinem Ersteller findest du auf der Website des CIFAR-100-Datensatzes.
FAQ#
Der CIFAR-100-Datensatz wird häufig zum Trainieren und Bewerten von Modellen für feingranulare Bildklassifikation und Objekterkennung verwendet. Er enthält 60.000 farbige 32x32-Pixel-Bilder aus 100 Klassen, die in 20 Oberklassen gruppiert sind. Dadurch ist er ein anspruchsvollerer Benchmark als CIFAR-10 für Algorithmen wie Convolutional Neuronale Netze (CNNs) und Support Vector Machines (SVMs) sowie zur Bewertung von Deep-Learning-Modellen, die mit Ultralytics YOLO erstellt wurden.
Um ein Ultralytics-YOLO-Modell auf CIFAR-100 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="cifar100", epochs=100, imgsz=32)CIFAR-100 verfügt über 100 feingranulare Klassen – darunter Apfel, Delfin, Ahorn, Motorrad und Rakete – mit jeweils genau 600 Bildern, also insgesamt 60.000 Bildern. Diese 100 Klassen sind zusätzlich in 20 grobe Oberklassen gruppiert (beispielsweise umfasst die Oberklasse der Bäume Ahorn, Eiche, Palme, Kiefer und Weide). Das Training mit
data="cifar100"verwendet die 100 feingranularen Klassen.CIFAR-100 enthält eine vordefinierte Aufteilung in 50.000 Trainingsbilder und 10.000 Testbilder, mit genau 500 Trainings- und 100 Testbildern pro Klasse. Anders als bei ordnerbasierten Klassifikationsdatensätzen, die Ultralytics automatisch aufteilt, wird die offizielle Partition von CIFAR-100 unverändert verwendet, und der Testsatz dient standardmäßig als Validierungsaufteilung während des Trainings.
Ja. Mit der Ultralytics Platform kannst du Datensätze verwalten, Bildklassifikationsmodelle trainieren und sie ohne umfangreiche Programmierkenntnisse bereitstellen. Sie ist eine praktische Möglichkeit, CIFAR-100-Experimente in der Cloud durchzuführen. Weitere Optionen findest du in unserer Übersicht zu Klassifikationsdatensätzen.