CIFAR-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 des CIFAR-Instituts entwickelt und bietet einen anspruchsvolleren Datensatz für komplexere Aufgaben im Bereich maschinelles Lernen 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 zum Trainieren und 100 zum Testen.
• 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 zum Trainieren und Testen im Bereich des maschinellen Lernens und der Computer Vision verwendet.

Struktur des Datensatzes

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

1. Training Set: Diese Teilmenge enthält 50.000 Bilder, die für das Training von Machine-Learning-Modellen verwendet werden.
2. Testsatz: Diese Teilmenge besteht aus 10.000 Bildern, die zum Testen und Vergleichen der trainierten Modelle verwendet werden.

Anwendungen

Der CIFAR-100-Datensatz wird häufig zum Trainieren und Evaluieren von Deep-Learning-Modellen für Bildklassifizierungsaufgaben verwendet, z. B. für Convolutional Neural Networks (CNNs), Support Vector Machines (SVMs) und verschiedene andere maschinelle Lernalgorithmen. Die Vielfalt des Datensatzes in Bezug auf die Klassen und das Vorhandensein von Farbbildern machen ihn zu einem anspruchsvollen und umfassenden 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, kannst du die folgenden Codeschnipsel verwenden. Eine umfassende Liste der verfügbaren Argumente findest du auf der Seite Modelltraining.

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n-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 detect train data=cifar100 model=yolov8n-cls.pt epochs=100 imgsz=32

Beispielbilder und Anmerkungen

Der CIFAR-100-Datensatz enthält Farbbilder von verschiedenen Objekten und ist damit ein gut strukturierter Datensatz für Bildklassifizierungsaufgaben. Hier sind einige Beispiele für Bilder aus diesem 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 du den CIFAR-100-Datensatz in deiner Forschungs- oder Entwicklungsarbeit verwendest, zitiere 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 findest du 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 unterteilt sind. Er wurde vom Canadian Institute For Advanced Research (CIFAR) entwickelt und ist ein anspruchsvoller Datensatz, der sich ideal für komplexe Aufgaben im Bereich 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 nutzen.

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

Du kannst ein YOLO Modell mit dem CIFAR-100 Datensatz trainieren, indem du die Befehle Python oder CLI verwendest. So geht's:

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n-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 detect train data=cifar100 model=yolov8n-cls.pt epochs=100 imgsz=32

Eine umfassende Liste der verfügbaren Argumente findest du auf der Seite Modellschulung.

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

Der CIFAR-100-Datensatz wird häufig zum Trainieren und Evaluieren von Deep-Learning-Modellen für die Bildklassifizierung verwendet. Sein vielfältiger Satz von 100 Klassen, die in 20 grobe Kategorien eingeteilt sind, bietet eine anspruchsvolle Umgebung zum 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. Trainingsset: Enthält 50.000 Bilder, die zum Trainieren von Machine-Learning-Modellen 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, so dass sie sich 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 kannst du dir Beispielbilder und Anmerkungen ansehen. Diese Beispiele verdeutlichen die Vielfalt und Komplexität des Datensatzes, die für das Training robuster Bildklassifizierungsmodelle wichtig sind.

Kommentare