Conjunto de datos CIFAR-10#
El conjunto de datos CIFAR-10 (Instituto Canadiense de Investigación Avanzada) es un conjunto de referencia clásico de clasificación de imágenes, con 60.000 imágenes en color de 32x32 píxeles distribuidas equitativamente en 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), por lo que es un punto de partida ligero y equilibrado para entrenar y evaluar modelos de clasificación. Para un reto 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 entrenar.
Ver: Cómo entrenar un modelo de clasificación de imágenes con el conjunto de datos CIFAR-10 mediante Ultralytics YOLO
Características principales#
- CIFAR-10 contiene 60.000 imágenes en color de 32x32 píxeles, distribuidas equitativamente en 10 clases.
- Cada clase contiene exactamente 6.000 imágenes —5.000 para entrenamiento y 1.000 para prueba—, 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 entre entrenamiento y prueba, por lo que no es necesario dividirlo manual ni automáticamente.
- CIFAR-10 es un conjunto de referencia estándar para la investigación en clasificación de imágenes y reconocimiento de objetos.
Estructura del conjunto de datos#
CIFAR-10 incluye una división oficial predefinida, por lo que no es necesario dividirlo de forma automática ni manual:
- Clases: 10 (avión, automóvil, pájaro, gato, ciervo, perro, rana, caballo, barco y camión)
- Imágenes en total: 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, de forma predeterminada, Ultralytics utiliza 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 profundas modernas. El reducido tamaño de las imágenes y el equilibrio entre clases lo hacen ideal para experimentar rápidamente, evaluar nuevos algoritmos y enseñar los fundamentos de la visión artificial.
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
# Cargar un modelo
model = YOLO("yolo26n-cls.pt") # Carga un modelo preentrenado (recomendado para el entrenamiento)
# Entrenar el modelo
results = model.train(data="cifar10", epochs=100, imgsz=32)Imágenes de muestra 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 destacan el valor de contar con 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 reconocer la labor de Alex Krizhevsky por crear y mantener el conjunto de datos CIFAR-10 como un recurso valioso para la comunidad investigadora de aprendizaje automático y visión artificial. 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 en 10 clases; su tamaño reducido y el equilibrio entre clases lo convierten en un conjunto de referencia 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 ver la lista completa de argumentos, visita la página de entrenamiento del modelo.
Ejemplo de entrenamientofrom ultralytics import YOLO # Cargar un modelo model = YOLO("yolo26n-cls.pt") # Carga un modelo preentrenado (recomendado para el entrenamiento) # Entrenar el modelo 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 por clase y 60.000 imágenes en total. Las clases son excluyentes entre sí 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 organizados en carpetas, que Ultralytics divide automáticamente, la partición oficial de CIFAR-10 se utiliza tal cual y, de forma predeterminada, 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 escribir mucho código. Es una forma práctica de realizar experimentos con CIFAR-10 en la nube; además, puedes consultar más opciones en nuestra descripción general de los conjuntos de datos de clasificación.