Dataset CIFAR-10#
El conjunto de datos CIFAR-10 (Canadian Institute For Advanced Research) es una referencia clásica de image classification de 60.000 imágenes en color de 32x32 divididas equitativamente en 10 clases: avión, automóvil, pájaro, gato, ciervo, perro, rana, caballo, barco y camión. Viene con 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, inspeccionar las estadísticas del conjunto de datos y clonarlo para el entrenamiento.
Características clave#
- CIFAR-10 contiene 60.000 imágenes en color de 32x32 píxeles, divididas uniformemente 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 se entrega con una división de entrenamiento/prueba predefinida, por lo que no es necesaria ninguna división manual o automática.
- CIFAR-10 es una referencia estándar para la investigación de image classification y reconocimiento de objetos.
Estructura del dataset#
CIFAR-10 se entrega con una división oficial predefinida, por lo que no se necesita ninguna partición automática o manual:
- Clases: 10 (avión, automóvil, pájaro, gato, ciervo, perro, rana, caballo, barco, camión)
- Imágenes totales: 60.000 (32x32 en color)
- 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 separada, por lo que Ultralytics utiliza el conjunto de prueba de 10.000 imágenes como división de validación durante el entrenamiento de forma predeterminada.
Aplicaciones#
CIFAR-10 se utiliza ampliamente para entrenar y evaluar modelos de image classification, desde Convolutional Neural Networks (CNNs) clásicas y Support Vector Machines (SVMs) hasta arquitecturas profundas modernas. Su pequeño tamaño de imagen y sus clases equilibradas lo hacen ideal para la experimentación rápida, la evaluación de nuevos algoritmos y la enseñanza de fundamentos de computer vision.
Uso#
Entrena un modelo YOLO en CIFAR-10 durante 100 epochs con un tamaño de imagen de 32. Para ver la lista completa de argumentos disponibles, consulta la página de Training y la guía de tareas de image classification.
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)Muestras de imágenes y anotaciones#
El conjunto de datos CIFAR-10 contiene imágenes en color de varios objetos, lo que proporciona un conjunto de datos bien estructurado para tareas de image classification. Aquí tienes algunos ejemplos de imágenes del conjunto de datos:
Las muestras muestran la diversidad de los objetos en el conjunto de datos CIFAR-10, lo que subraya el valor de un conjunto de datos variado para entrenar modelos robustos de clasificación de imágenes.
Citas 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 conjunto de datos CIFAR-10 como un recurso valioso para la comunidad de investigación de machine learning y computer vision. Para obtener más información sobre el conjunto de datos CIFAR-10 y su creador, visita el CIFAR-10 dataset website.
FAQ#
El conjunto de datos CIFAR-10 se utiliza ampliamente para entrenar y evaluar modelos de image classification y reconocimiento de objetos. Contiene 60.000 imágenes en color de 32x32 distribuidas equitativamente en 10 clases, y su pequeño tamaño y clases equilibradas lo convierten en una referencia rápida y fiable para algoritmos como Convolutional Neural Networks (CNNs) y Support Vector Machines (SVMs).
Para entrenar un modelo Ultralytics YOLO en CIFAR-10, utiliza los fragmentos de código siguientes. El conjunto de datos se descarga automáticamente en el primer uso. Para ver una lista completa de argumentos, consulta la página de Training 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, sumando un total de 60.000 imágenes. Las clases son mutuamente excluyentes y perfectamente equilibradas, sin superposición entre categorías.
CIFAR-10 se entrega con 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 imágenes 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 el conjunto de prueba sirve como división de validación durante el entrenamiento de forma predeterminada.
Sí. Ultralytics Platform te permite gestionar conjuntos de datos, entrenar modelos de image classification y desplegarlos sin necesidad de programar en exceso. Es una forma cómoda de ejecutar experimentos con CIFAR-10 en la nube, y puedes explorar más opciones en nuestra classification datasets overview.