CIFAR-100-Datensatz

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

Hauptmerkmale

• 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 unterteilt.
• CIFAR-100 wird häufig für das Training und Testen im Bereich Machine Learning und Computer Vision verwendet.

Datensatzstruktur

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

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

Anwendungen

Der CIFAR-100-Datensatz wird umfassend für das Training und die Evaluierung von Deep-Learning-Modellen bei Bildklassifizierungsaufgaben eingesetzt, wie zum Beispiel Convolutional Neural Networks (CNNs), Support Vector Machines (SVMs) und verschiedenen anderen Algorithmen für Machine Learning. Die Vielfalt des Datensatzes in Bezug auf 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.

Verwendung

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

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

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

Das Beispiel zeigt die Vielfalt und Komplexität der Objekte im CIFAR-100-Datensatz und unterstreicht die Bedeutung eines vielfältigen Datensatzes für das Training robuster Bildklassifizierungsmodelle.

Zitate und Danksagungen

Wenn du den CIFAR-100-Datensatz in deiner Forschungs- oder Entwicklungsarbeit 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 dessen Schöpfer findest du auf der CIFAR-100-Datensatz-Website.

FAQ

Was ist der CIFAR-100-Datensatz und warum ist er von Bedeutung?

Der CIFAR-100-Datensatz ist eine große Sammlung von 60.000 32x32 Farbbildern, die in 100 Klassen klassifiziert sind. Entwickelt vom Canadian Institute For Advanced Research (CIFAR), bietet er einen anspruchsvollen Datensatz, der ideal für komplexe Aufgaben im Bereich Machine Learning und 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 wie Convolutional Neural Networks (CNNs) unter Verwendung von Frameworks wie Ultralytics YOLO macht.

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

Du kannst ein YOLO-Modell auf dem CIFAR-100-Datensatz entweder mit 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 vollständige Liste der verfügbaren Argumente findest du auf der Modell-Training-Seite.

Was 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 Machine Learning-Ansätzen. Dieser Datensatz ist eine Schlüsselressource in Forschung und Entwicklung in den Bereichen Machine Learning und Computer Vision, insbesondere für Aufgaben der Objekterkennung und Klassifizierung.

Wie ist der CIFAR-100-Datensatz strukturiert?

Der CIFAR-100-Datensatz ist in zwei Hauptteilmengen unterteilt:

1. Trainingsdatensatz: Enthält 50.000 Bilder, die zum Trainieren von Modellen für maschinelles Lernen verwendet werden.
2. Test-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 rigorose akademische und industrielle Forschung geeignet macht.

Wo finde ich Beispielbilder und Annotationen aus dem CIFAR-100-Datensatz?

Der CIFAR-100-Datensatz enthält eine Vielzahl von Farbbildern verschiedener Objekte, was ihn zu einem strukturierten Datensatz für Bildklassifizierungsaufgaben macht. Du kannst die Dokumentationsseite besuchen, um Beispielbilder und Annotationen zu sehen. Diese Beispiele unterstreichen die Vielfalt und Komplexität des Datensatzes, was wichtig für das Training robuster Bildklassifizierungsmodelle ist. Für weitere Datensätze, die für Klassifizierungsaufgaben geeignet sind, schau dir die Übersicht der Klassifizierungsdatensätze von Ultralytics an.