CIFAR-100-Datensatz

The CIFAR-100 (Canadian Institute For Advanced Research) dataset is a significant extension of the CIFAR-10 dataset, composed of 60,000 32x32 color images in 100 different classes. It was developed by researchers at the CIFAR institute, offering a more challenging dataset for more complex machine learning and computer vision tasks.

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

The CIFAR-100 dataset is extensively used for training and evaluating deep learning models in image classification tasks, such as Convolutional Neural Networks (CNNs), Support Vector Machines (SVMs), and various other machine learning algorithms. The diversity of the dataset in terms of classes and the presence of color images make it a more challenging and comprehensive dataset for research and development in the field of machine learning and computer vision.

Verwendung

To train a YOLO model on the CIFAR-100 dataset for 100 epochs with an image size of 32x32, you can use the following code snippets. For a comprehensive list of available arguments, refer to the model Training page.

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 Anmerkungen

The CIFAR-100 dataset contains color images of various objects, providing a well-structured dataset for image classification tasks. Here are some examples of images from the dataset:

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}
}

We would like to acknowledge Alex Krizhevsky for creating and maintaining the CIFAR-100 dataset as a valuable resource for the machine learning and computer vision research community. For more information about the CIFAR-100 dataset and its creator, visit the CIFAR-100 dataset website.

FAQ

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

The CIFAR-100 dataset is a large collection of 60,000 32x32 color images classified into 100 classes. Developed by the Canadian Institute For Advanced Research (CIFAR), it provides a challenging dataset ideal for complex machine learning and computer vision tasks. Its significance lies in the diversity of classes and the small size of the images, making it a valuable resource for training and testing deep learning models, like Convolutional Neural Networks (CNNs), using frameworks such as Ultralytics YOLO.

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("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 findest du auf der Seite Modellschulung.

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

The CIFAR-100 dataset is extensively used in training and evaluating deep learning models for image classification. Its diverse set of 100 classes, grouped into 20 coarse categories, provides a challenging environment for testing algorithms such as Convolutional Neural Networks (CNNs), Support Vector Machines (SVMs), and various other machine learning approaches. This dataset is a key resource in research and development within machine learning and computer vision fields.

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.

📅 Created 11 months ago ✏️ Updated 22 days ago

Kommentare