CIFAR-100 Datensatz#
Das CIFAR-100 (Canadian Institute For Advanced Research) Dataset ist ein image classification-Benchmark aus 60.000 farbigen 32x32-Bildern, die gleichmäßig auf 100 feingranulare Klassen (je 600 Bilder) aufgeteilt sind, welche wiederum in 20 grobe Oberklassen gruppiert sind. Es wurde von Alex Krizhevsky erstellt und wird mit einer vordefinierten Aufteilung von 50.000 Trainings- und 10.000 Testbildern ausgeliefert, was es zum schwereren, feingranulareren Pendant des CIFAR-10-Datasets macht.
Erkunde CIFAR-100 on Ultralytics Platform, um dir Beispiele anzusehen, die Dataset-Statistiken zu prüfen und es für das Training zu klonen.
Hauptfunktionen#
- CIFAR-100 enthält 60.000 Farbbilder mit 32x32 Pixeln, die gleichmäßig auf 100 Klassen aufgeteilt sind.
- Jede Klasse umfasst genau 600 Bilder – 500 für das Training und 100 für das Testen –, wodurch das Dataset perfekt ausbalanciert ist.
- Die 100 fein granularen Klassen sind für eine Klassifizierung auf höherer Ebene in 20 grobe Superklassen unterteilt.
- Das Dataset wird mit einer vordefinierten Train/Test-Aufteilung geliefert, sodass keine manuelle oder automatische Aufteilung erforderlich ist.
- CIFAR-100 ist ein Standard-Benchmark für die feingranulare image classification und die Forschung zur Objekterkennung.
Datensatzstruktur#
CIFAR-100 wird mit einer offiziellen, vordefinierten Aufteilung geliefert, sodass keine automatische oder manuelle Partitionierung erforderlich ist:
- Klassen: 100 fein granulare Klassen, gruppiert in 20 grobe Superklassen
- Gesamtanzahl der Bilder: 60.000 (32x32 Farbe)
- Trainingsset: 50.000 Bilder (500 pro Klasse)
- Testset: 10.000 Bilder (100 pro Klasse)
CIFAR-100 hat 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 verwendet, um image classification-Modelle zu trainieren und zu evaluieren, von klassischen Convolutional Neural Networks (CNNs) und Support Vector Machines (SVMs) bis hin zu modernen Deep-Architekturen. Seine 100 feingranularen Klassen und die geringe Bildgröße machen es zu einem anspruchsvollen Benchmark für die machine learning-Forschung, den Algorithmenvergleich und Experimente im Bereich computer vision.
Verwendung#
Trainiere ein YOLO-Modell auf CIFAR-100 für 100 epochs bei einer Bildgröße von 32. Die vollständige Liste der verfügbaren Argumente findest du auf der Seite Training und im Task-Leitfaden für image classification.
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 Dataset:
Die Beispiele zeigen die Vielfalt der Objekte im CIFAR-100 Dataset und unterstreichen den Wert eines abwechslungsreichen Datasets für das Training robuster Bildklassifizierungsmodelle.
Zitate 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 das CIFAR-100-Dataset als wertvolle Ressource für die machine learning- und computer vision-Forschungsgemeinschaft erstellt hat und pflegt. Weitere Informationen über das CIFAR-100-Dataset und seinen Ersteller findest du auf der CIFAR-100 dataset website.
FAQ#
Das CIFAR-100-Dataset wird häufig verwendet, um feingranulare image classification- und Objekterkennungsmodelle zu trainieren und zu benchmarken. Es enthält 60.000 farbige 32x32-Bilder in 100 Klassen, die in 20 Oberklassen unterteilt sind. Dies macht es zu einem anspruchsvolleren Benchmark als CIFAR-10 für Algorithmen wie Convolutional Neural Networks (CNNs) und Support Vector Machines (SVMs) sowie zur Evaluierung von deep learning-Modellen, die mit Ultralytics YOLO erstellt wurden.
Um ein Ultralytics YOLO-Modell auf CIFAR-100 zu trainieren, verwende die folgenden Codeausschnitte. Das Dataset wird bei der ersten Verwendung automatisch heruntergeladen. Eine vollständige Liste der Argumente findest du auf der Modellseite für Training.
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 hat 100 feingranulare Klassen – wie Apfel, Delfin, Ahornbaum, Motorrad und Rakete – mit genau 600 Bildern pro Klasse, also insgesamt 60.000 Bildern. Diese 100 Klassen sind zusätzlich in 20 grobe Oberklassen gruppiert (beispielsweise deckt die Oberklasse der Bäume Ahorn, Eiche, Palme, Kiefer und Weide ab). Das Training mit
data="cifar100"verwendet die 100 feingranularen Klassen.CIFAR-100 wird mit einer vordefinierten Aufteilung von 50.000 Trainingsbildern und 10.000 Testbildern ausgeliefert, mit genau 500 Trainings- und 100 Testbildern pro Klasse. Im Gegensatz zu ordnerbasierten Klassifizierungs-Datasets, die Ultralytics automatisch aufteilt, wird die offizielle Partition von CIFAR-100 unverändert verwendet, wobei das Testset standardmäßig während des Trainings als Validierungs-Split dient.
Ja. Mit der Ultralytics Platform kannst du Datasets verwalten, image classification-Modelle trainieren und sie ohne umfangreiche Programmierarbeit bereitstellen. Sie ist eine bequeme Möglichkeit, CIFAR-100-Experimente in der Cloud auszuführen, und du kannst weitere Optionen in unserer classification datasets overview erkunden.