Link to this sectionDataset CIFAR-10#

El dataset CIFAR-10 (Canadian Institute For Advanced Research) es una colección de imágenes muy utilizada para algoritmos de machine learning y visión artificial. Fue desarrollado por investigadores del instituto CIFAR y consta de 60.000 imágenes en color de 32x32 píxeles en 10 clases diferentes.

Link to this sectionCaracterísticas clave#

• El dataset CIFAR-10 consta de 60.000 imágenes, divididas en 10 clases.
• Cada clase contiene 6.000 imágenes, divididas en 5.000 para entrenamiento y 1.000 para pruebas.
• Las imágenes son a color y tienen un tamaño de 32x32 píxeles.
• Las 10 clases diferentes representan aviones, coches, pájaros, gatos, ciervos, perros, ranas, caballos, barcos y camiones.
• CIFAR-10 se utiliza habitualmente para el entrenamiento y las pruebas en el campo del machine learning y la visión artificial.

Link to this sectionEstructura del dataset#

El dataset CIFAR-10 se divide en dos subconjuntos:

1. Conjunto de entrenamiento: Este subconjunto contiene 50.000 imágenes utilizadas para entrenar modelos de machine learning.
2. Conjunto de prueba: este subconjunto consta de 10 000 imágenes utilizadas para probar y evaluar los modelos entrenados.

Link to this sectionAplicaciones#

El dataset CIFAR-10 se utiliza ampliamente para entrenar y evaluar modelos de deep learning en tareas de clasificación de imágenes, tales como Convolutional Neural Networks (CNNs), Support Vector Machines (SVMs) y otros algoritmos de machine learning. La diversidad del dataset en términos de clases y la presencia de imágenes en color lo convierten en un dataset completo para la investigación y el desarrollo en el campo del machine learning y la visión artificial.

Link to this sectionUso#

Para entrenar un modelo YOLO en el dataset CIFAR-10 durante 100 epochs con un tamaño de imagen de 32x32, puedes utilizar los siguientes fragmentos de código. Para obtener una lista completa de los argumentos disponibles, consulta la página de Training del modelo.

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)

Link to this sectionMuestras de imágenes y anotaciones#

El dataset CIFAR-10 contiene imágenes en color de diversos objetos, lo que proporciona un dataset bien estructurado para tareas de clasificación de imágenes. Estos son algunos ejemplos de imágenes del dataset:

El ejemplo muestra la variedad y complejidad de los objetos del dataset CIFAR-10, destacando la importancia de contar con un dataset diverso para entrenar modelos de clasificación de imágenes robustos.

Link to this sectionCitas y agradecimientos#

Si utilizas el dataset CIFAR-10 en tu trabajo de investigación o desarrollo, por favor 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 por crear y mantener el dataset CIFAR-10 como un recurso valioso para la comunidad de investigación de machine learning y computer vision. Para obtener más información sobre el dataset CIFAR-10 y su creador, visita el sitio web del dataset CIFAR-10.

Link to this sectionFAQ#

Link to this section¿Cómo puedo entrenar un modelo YOLO en el dataset CIFAR-10?#

Para entrenar un modelo YOLO en el dataset CIFAR-10 usando Ultralytics, puedes seguir los ejemplos proporcionados tanto para Python como para la CLI. Aquí tienes un ejemplo básico para entrenar tu modelo durante 100 epochs con un tamaño de imagen de 32x32 píxeles:

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)

Para más detalles, consulta la página de Training del modelo.

Link to this section¿Cuáles son las características clave del dataset CIFAR-10?#

El dataset CIFAR-10 consta de 60.000 imágenes en color divididas en 10 clases. Cada clase contiene 6.000 imágenes, con 5.000 para entrenamiento y 1.000 para pruebas. Las imágenes tienen un tamaño de 32x32 píxeles y varían entre las siguientes categorías:

• Aviones
• Coches
• Pájaros
• Gatos
• Ciervos
• Perros
• Ranas
• Caballos
• Barcos
• Camiones

Este dataset diverso es esencial para entrenar modelos de clasificación de imágenes en campos como el machine learning y la visión artificial. Para obtener más información, visita las secciones del CIFAR-10 sobre dataset structure y applications.

Link to this section¿Por qué utilizar el dataset CIFAR-10 para tareas de clasificación de imágenes?#

El dataset CIFAR-10 es un excelente benchmark para la clasificación de imágenes debido a su diversidad y estructura. Contiene una mezcla equilibrada de 60.000 imágenes etiquetadas en 10 categorías diferentes, lo que ayuda a entrenar modelos robustos y generalizados. Se utiliza ampliamente para evaluar modelos de deep learning, incluyendo Convolutional Neural Networks (CNNs) y otros algoritmos de machine learning. El dataset es relativamente pequeño, por lo que es adecuado para una experimentación rápida y el desarrollo de algoritmos. Explora sus numerosas aplicaciones en la sección applications.

Link to this section¿Cómo está estructurado el dataset CIFAR-10?#

El dataset CIFAR-10 está estructurado en dos subconjuntos principales:

1. Conjunto de entrenamiento: Contiene 50.000 imágenes utilizadas para entrenar modelos de machine learning.
2. Conjunto de pruebas: Consta de 10.000 imágenes para probar y comparar los modelos entrenados.

Cada subconjunto comprende imágenes categorizadas en 10 clases, con sus anotaciones fácilmente disponibles para el entrenamiento y la evaluación del modelo. Para obtener información más detallada, consulta la sección dataset structure.

Link to this section¿Cómo puedo citar el dataset CIFAR-10 en mi investigación?#

Si utilizas el dataset CIFAR-10 en tus proyectos de investigación o desarrollo, asegúrate de citar el siguiente artículo:

@TECHREPORT{Krizhevsky09learningmultiple,
            author={Alex Krizhevsky},
            title={Learning multiple layers of features from tiny images},
            institution={},
            year={2009}
}

Reconocer a los creadores del dataset ayuda a apoyar la investigación y el desarrollo continuos en el campo. Para más detalles, consulta la sección citations and acknowledgments.

Link to this section¿Cuáles son algunos ejemplos prácticos de uso del dataset CIFAR-10?#

El dataset CIFAR-10 se utiliza a menudo para entrenar modelos de clasificación de imágenes, tales como Convolutional Neural Networks (CNNs) y Support Vector Machines (SVMs). Estos modelos pueden emplearse en diversas tareas de visión artificial, incluyendo object detection, image recognition y etiquetado automático. Para ver algunos ejemplos prácticos, consulta los fragmentos de código en la sección usage.