Link to this sectionCIFAR-100 Datensatz#

Der CIFAR-100 Datensatz (Canadian Institute For Advanced Research) ist eine bedeutende Erweiterung des CIFAR-10 Datensatzes und besteht aus 60.000 32x32 Farbbildern in 100 verschiedenen Klassen. Er wurde von Forschern am CIFAR-Institut entwickelt und bietet einen anspruchsvolleren Datensatz für komplexere Aufgaben im Bereich Machine Learning und Computer Vision.

Link to this sectionHauptfunktionen#

• 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 das Testen.
• Die Bilder sind farbig und haben eine Größe von 32x32 Pixeln.
• Die 100 verschiedenen Klassen sind für eine übergeordnete Klassifizierung in 20 grobe Kategorien gruppiert.
• CIFAR-100 wird häufig für Training und Tests im Bereich Machine Learning und Computer Vision verwendet.

Link to this sectionDatensatzstruktur#

Der CIFAR-100 Datensatz ist in zwei Teilmengen unterteilt:

1. Trainingsmenge: Diese Teilmenge enthält 50.000 Bilder, die zum Trainieren von Modellen für maschinelles Lernen verwendet werden.
2. Testset: Diese Teilmenge besteht aus 10.000 Bildern, die zum Testen und zum Benchmarking der trainierten Modelle verwendet werden.

Link to this sectionAnwendungen#

Der CIFAR-100 Datensatz wird ausgiebig für das Training und die Evaluierung von Deep Learning Modellen bei Image Classification Aufgaben genutzt, wie z. B. Convolutional Neural Networks (CNNs), Support Vector Machines (SVMs) und diversen anderen Machine Learning Algorithmen. Die Vielfalt des Datensatzes in Bezug auf die Klassen und das Vorhandensein von Farbbildern machen ihn zu einem anspruchsvolleren und umfassenderen Datensatz für Forschung und Entwicklung im Bereich Machine Learning und Computer Vision.

Link to this sectionVerwendung#

Um ein YOLO Modell auf dem CIFAR-100 Datensatz für 100 Epochs mit einer Bildgröße von 32x32 zu trainieren, kannst du die folgenden Code-Snippets verwenden. Eine umfassende Liste der verfügbaren Argumente findest du auf der Seite Training für Modelle.

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)

Link to this sectionBeispielbilder und Annotationen#

Der CIFAR-100 Datensatz enthält Farbbilder verschiedener Objekte und bietet somit einen gut strukturierten Datensatz für Image Classification Aufgaben. Hier sind einige Beispiele für Bilder aus dem Datensatz:

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

Link to this sectionZitate und Danksagungen#

Wenn du den CIFAR-100 Datensatz in deiner Forschung oder Entwicklung verwendest, zitiere bitte das folgende Paper:

@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 Machine Learning und Computer Vision Forschungsgemeinschaft erstellt und gepflegt hat. Weitere Informationen über den CIFAR-100 Datensatz und seinen Ersteller findest du auf der CIFAR-100 Datensatz-Website.

Link to this sectionFAQ#

Link to this sectionWas ist der CIFAR-100 Datensatz und warum ist er bedeutend?#

Das CIFAR-100 dataset ist eine umfangreiche Sammlung von 60.000 32x32 Farbbildern, die in 100 Klassen unterteilt sind. Es wurde vom Canadian Institute For Advanced Research (CIFAR) entwickelt und bietet einen anspruchsvollen Datensatz, der ideal für komplexe Aufgaben des maschinellen Lernens und der Computer Vision ist. 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 macht, wie etwa konvolutiven Neural Networks (CNNs), unter Verwendung von Frameworks wie Ultralytics YOLO.

Link to this sectionWie trainiere ich ein YOLO Modell mit dem CIFAR-100 Datensatz?#

Du kannst ein YOLO Modell mit dem CIFAR-100 Datensatz entweder per Python oder über CLI Befehle trainieren. So geht's:

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)

Eine umfassende Liste der verfügbaren Argumente findest du auf der Seite Training für Modelle.

Link to this sectionWas sind die primären Anwendungen des CIFAR-100 Datensatzes?#

Der CIFAR-100 Datensatz wird umfassend für das Training und die Evaluierung von Deep-Learning-Modellen zur Bildklassifizierung verwendet. Sein vielfältiger Satz von 100 Klassen, gruppiert in 20 grobe Kategorien, bietet eine anspruchsvolle Umgebung zum Testen von Algorithmen wie Convolutional Neural Networks (CNNs), Support Vector Machines (SVMs) und verschiedenen anderen Ansätzen des maschinellen Lernens. Dieser Datensatz ist eine wichtige Ressource in Forschung und Entwicklung innerhalb der Bereiche maschinelles Lernen und Computer Vision, insbesondere für object recognition und Klassifizierungsaufgaben.

Link to this sectionWie ist der CIFAR-100 Datensatz strukturiert?#

Der CIFAR-100 Datensatz ist in zwei Haupt-Teilmengen unterteilt:

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

Jede der 100 Klassen enthält 600 Bilder, mit 500 Bildern für das Training und 100 für das Testen, was ihn einzigartig für die wissenschaftliche und industrielle Forschung geeignet macht.

Link to this sectionWo finde ich Beispielbilder und Annotationen aus dem CIFAR-100 Datensatz?#

Der CIFAR-100 Datensatz enthält eine Vielzahl von Farbbildern verschiedener Objekte und ist somit ein strukturierter Datensatz für Bildklassifizierungsaufgaben. Du kannst die Dokumentationsseite konsultieren, um sample images and annotations zu sehen. Diese Beispiele verdeutlichen die Vielfalt und Komplexität des Datensatzes, was für das Training robuster Bildklassifizierungsmodelle wichtig ist. Für weitere Datensätze, die für Klassifizierungsaufgaben geeignet sind, sieh dir Ultralytics' classification datasets overview an.