Conjunto de datos CIFAR-10#
El conjunto de datos CIFAR-10 (Instituto Canadiense de Investigación Avanzada) es un benchmark clásico de clasificación de imágenes compuesto por 60.000 imágenes en color de 32x32 píxeles, distribuidas equitativamente entre 10 clases: avión, automóvil, pájaro, gato, ciervo, perro, rana, caballo, barco y camión. Incluye una división predefinida de 50.000 imágenes de entrenamiento y 10.000 de prueba (6.000 por clase), lo que lo convierte en un punto de partida ligero y bien equilibrado para entrenar y evaluar modelos de clasificación. Para un desafío más detallado, consulta el conjunto de datos relacionado CIFAR-100.
Explora CIFAR-10 en Ultralytics Platform para previsualizar muestras, consultar las estadísticas del conjunto de datos y clonarlo para el entrenamiento.
Características principales#
- CIFAR-10 contiene 60.000 imágenes en color de 32x32 píxeles, divididas equitativamente en 10 clases.
- Cada clase contiene exactamente 6.000 imágenes —5.000 para entrenamiento y 1.000 para pruebas—, por lo que el conjunto de datos está perfectamente equilibrado.
- Las 10 clases son avión, automóvil, pájaro, gato, ciervo, perro, rana, caballo, barco y camión.
- El conjunto de datos incluye una división predefinida de entrenamiento/prueba, por lo que no es necesario dividirlo de forma manual o automática.
- CIFAR-10 es un benchmark estándar para la investigación sobre clasificación de imágenes y reconocimiento de objetos.
Estructura del dataset#
CIFAR-10 incluye una división oficial predefinida, por lo que no es necesario realizar una partición automática o manual:
- Clases: 10 (avión, automóvil, pájaro, gato, ciervo, perro, rana, caballo, barco, camión)
- Imágenes totales: 60.000 (en color, 32x32)
- Conjunto de entrenamiento: 50.000 imágenes (5.000 por clase)
- Conjunto de prueba: 10.000 imágenes (1.000 por clase)
CIFAR-10 no tiene una carpeta de validación independiente, por lo que Ultralytics utiliza por defecto el conjunto de prueba de 10.000 imágenes como división de validación durante el entrenamiento.
Aplicaciones#
CIFAR-10 se utiliza ampliamente para entrenar y evaluar modelos de clasificación de imágenes, desde las clásicas redes neuronales convolucionales (CNNs) y las máquinas de vectores de soporte (SVMs) hasta las arquitecturas modernas de aprendizaje profundo. Su reducido tamaño de imagen y sus clases equilibradas lo hacen ideal para la experimentación rápida, la evaluación comparativa de nuevos algoritmos y la enseñanza de los fundamentos de la visión por ordenador.
Uso#
Entrena un modelo YOLO con CIFAR-10 durante 100 épocas y con un tamaño de imagen de 32. Para consultar la lista completa de argumentos disponibles, visita la página de entrenamiento y la guía de la tarea de clasificación de imágenes.
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="cifar10", epochs=100, imgsz=32)Imágenes de ejemplo y anotaciones#
El conjunto de datos CIFAR-10 contiene imágenes en color de diversos objetos, lo que proporciona un conjunto de datos bien estructurado para tareas de clasificación de imágenes. Estos son algunos ejemplos de imágenes del conjunto de datos:
Las muestras muestran la diversidad de los objetos del conjunto de datos CIFAR-10 y ponen de relieve el valor de un conjunto de datos variado para entrenar modelos robustos de clasificación de imágenes.
Citas y agradecimientos#
Si utilizas el conjunto de datos CIFAR-10 en tu trabajo de investigación o desarrollo, cita el siguiente artículo:
@TECHREPORT{Krizhevsky09learningmultiple,
author={Alex Krizhevsky},
title={Learning multiple layers of features from tiny images},
institution={},
year={2009}
}Queremos agradecer a Alex Krizhevsky la creación y el mantenimiento del conjunto de datos CIFAR-10 como recurso valioso para la comunidad de investigación en aprendizaje automático y visión por ordenador. Para obtener más información sobre el conjunto de datos CIFAR-10 y su creador, visita el sitio web del conjunto de datos CIFAR-10.
Preguntas frecuentes#
El conjunto de datos CIFAR-10 se utiliza ampliamente para entrenar y evaluar modelos de clasificación de imágenes y reconocimiento de objetos. Contiene 60.000 imágenes en color de 32x32 píxeles, distribuidas equitativamente entre 10 clases, y su reducido tamaño y sus clases equilibradas lo convierten en un benchmark rápido y fiable para algoritmos como las redes neuronales convolucionales (CNNs) y las máquinas de vectores de soporte (SVMs).
Para entrenar un modelo Ultralytics YOLO con CIFAR-10, utiliza los fragmentos de código siguientes. El conjunto de datos se descarga automáticamente la primera vez que se utiliza. Para consultar la lista completa de argumentos, visita la página de entrenamiento del modelo.
Ejemplo de entrenamientofrom 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="cifar10", epochs=100, imgsz=32)CIFAR-10 tiene 10 clases —avión, automóvil, pájaro, gato, ciervo, perro, rana, caballo, barco y camión—, con exactamente 6.000 imágenes cada una, lo que suma 60.000 imágenes en total. Las clases son mutuamente excluyentes y están perfectamente equilibradas, sin solapamiento entre categorías.
CIFAR-10 incluye una división predefinida de 50.000 imágenes de entrenamiento y 10.000 imágenes de prueba, con exactamente 5.000 imágenes de entrenamiento y 1.000 de prueba por clase. A diferencia de los conjuntos de datos de clasificación basados en carpetas, que Ultralytics divide automáticamente, la partición oficial de CIFAR-10 se utiliza tal cual y, por defecto, el conjunto de prueba sirve como división de validación durante el entrenamiento.
Sí. Ultralytics Platform te permite gestionar conjuntos de datos, entrenar modelos de clasificación de imágenes y desplegarlos sin necesidad de programar demasiado. Es una forma cómoda de ejecutar experimentos con CIFAR-10 en la nube, y puedes consultar más opciones en nuestra descripción general de los conjuntos de datos de clasificación.