CIFAR-100-Datensatz

Der CIFAR-100-Datensatz (Canadian Institute For Advanced Research) ist eine bedeutende Erweiterung des CIFAR-10-Datensatzes, der aus 60.000 32x32-Farbbildern in 100 verschiedenen Klassen besteht. Er wurde von Forschern des CIFAR-Instituts entwickelt und bietet einen anspruchsvolleren Datensatz für komplexere Aufgaben in den Bereichen maschinelles Lernen und Computer Vision.

Wesentliche Merkmale

• Der CIFAR-100-Datensatz besteht aus 60.000 Bildern, die in 100 Klassen unterteilt sind.
• Jede Klasse enthält 600 Bilder, aufgeteilt in 500 für das Training und 100 für den Test.
• Die Bilder sind farbig und haben eine Größe von 32x32 Pixeln.
• Die 100 verschiedenen Klassen werden für die Klassifizierung auf höherer Ebene in 20 grobe Kategorien eingeteilt.
• CIFAR-100 wird häufig für Trainings- und Testzwecke im Bereich des maschinellen Lernens und der Computer Vision eingesetzt.

Struktur des Datensatzes

Der CIFAR-100-Datensatz ist in zwei Teilmengen aufgeteilt:

1. Trainingssatz: Dieser Teilsatz enthält 50.000 Bilder, die für das Training von Machine-Learning-Modellen verwendet werden.
2. Testsatz: Dieser Teilsatz besteht aus 10.000 Bildern, die zum Testen und Benchmarking der trainierten Modelle verwendet werden.

Anwendungen

Der CIFAR-100-Datensatz wird ausgiebig für das Training und die Bewertung von Deep-Learning-Modellen für Bildklassifizierungsaufgaben verwendet, wie z. B. Convolutional Neural Networks (CNNs), Support Vector Machines (SVMs) und verschiedene andere Algorithmen für maschinelles Lernen. Die Vielfalt des Datensatzes in Bezug auf die Klassen und das Vorhandensein von Farbbildern machen ihn zu einem anspruchsvolleren und umfassenderen Datensatz für die Forschung und Entwicklung auf dem Gebiet des maschinellen Lernens und der Computer Vision.

Verwendung

Um ein YOLO -Modell auf dem CIFAR-100-Datensatz für 100 Epochen mit einer Bildgröße von 32x32 zu trainieren, können Sie die folgenden Codeschnipsel verwenden. Eine umfassende Liste der verfügbaren Argumente finden Sie 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="cifar100", epochs=100, imgsz=32)

# Start training from a pretrained *.pt model
yolo classify train data=cifar100 model=yolo11n-cls.pt epochs=100 imgsz=32

Beispielbilder und -kommentare

Der CIFAR-100-Datensatz enthält Farbbilder von verschiedenen Objekten und bietet einen gut strukturierten Datensatz für Bildklassifizierungsaufgaben. Hier sind einige Beispiele von Bildern aus dem Datensatz:

Das Beispiel zeigt die Vielfalt und Komplexität der Objekte im CIFAR-100-Datensatz und verdeutlicht, wie wichtig ein vielfältiger Datensatz für das Training robuster Bildklassifizierungsmodelle ist.

Zitate und Danksagungen

Wenn Sie den CIFAR-100-Datensatz in Ihrer Forschungs- oder Entwicklungsarbeit verwenden, zitieren Sie bitte das folgende Papier:

@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 als wertvolle Ressource für die Forschungsgemeinschaft im Bereich des maschinellen Lernens und des Computersehens erstellt und gepflegt hat. Weitere Informationen über den CIFAR-100-Datensatz und seinen Ersteller finden Sie auf der Website des CIFAR-100-Datensatzes.

FAQ

Was ist der CIFAR-100-Datensatz und warum ist er so wichtig?

Der CIFAR-100-Datensatz ist eine große Sammlung von 60.000 32x32-Farbbildern, die in 100 Klassen klassifiziert sind. Er wurde vom Canadian Institute For Advanced Research (CIFAR) entwickelt und stellt einen anspruchsvollen Datensatz dar, der sich ideal für komplexe Aufgaben des maschinellen Lernens und der Computer Vision eignet. Seine Bedeutung liegt in der Vielfalt der Klassen und der geringen Größe der Bilder, was ihn zu einer wertvollen Ressource für das Training und Testen von Deep-Learning-Modellen wie Convolutional Neural Networks (CNNs) macht, die Frameworks wie Ultralytics YOLO verwenden.

Wie trainiere ich ein YOLO Modell auf dem CIFAR-100-Datensatz?

Sie können ein YOLO Modell auf dem CIFAR-100-Datensatz mit den Befehlen Python oder CLI trainieren. So geht's:

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="cifar100", epochs=100, imgsz=32)

# Start training from a pretrained *.pt model
yolo classify train data=cifar100 model=yolo11n-cls.pt epochs=100 imgsz=32

Eine umfassende Liste der verfügbaren Argumente finden Sie auf der Seite Modellschulung.

Was sind die wichtigsten Anwendungen des CIFAR-100-Datensatzes?

Der CIFAR-100-Datensatz wird ausgiebig zum Trainieren und Bewerten von Deep-Learning-Modellen für die Bildklassifizierung verwendet. Sein vielfältiger Satz von 100 Klassen, die in 20 grobe Kategorien unterteilt sind, bietet eine anspruchsvolle Umgebung für das Testen von Algorithmen wie Convolutional Neural Networks (CNNs), Support Vector Machines (SVMs) und verschiedenen anderen maschinellen Lernansätzen. Dieser Datensatz ist eine wichtige Ressource für die Forschung und Entwicklung in den Bereichen maschinelles Lernen und Computer Vision.

Wie ist der CIFAR-100-Datensatz aufgebaut?

Der CIFAR-100-Datensatz ist in zwei große Teilmengen aufgeteilt:

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

Jede der 100 Klassen enthält 600 Bilder, wobei 500 Bilder zum Trainieren und 100 zum Testen verwendet werden, wodurch sich das System hervorragend für die akademische und industrielle Forschung eignet.

Wo kann ich Beispielbilder und Anmerkungen aus dem CIFAR-100-Datensatz finden?

Der CIFAR-100-Datensatz enthält eine Vielzahl von Farbbildern verschiedener Objekte, die ihn zu einem strukturierten Datensatz für Bildklassifizierungsaufgaben machen. Auf der Dokumentationsseite finden Sie Beispielbilder und -kommentare. Diese Beispiele verdeutlichen die Vielfalt und Komplexität des Datensatzes, die für das Training robuster Bildklassifizierungsmodelle wichtig sind.

📅 Erstellt vor 1 Jahr ✏️ Aktualisiert vor 2 Monaten

Kommentare