Dataset CIFAR-10#

El conjunto de datos CIFAR-10 (Canadian Institute For Advanced Research) es un punto de referencia clásico de clasificación de imágenes de 60.000 imágenes en color de 32x32 píxeles divididas uniformemente en 10 clases: avión, automóvil, pájaro, gato, ciervo, perro, rana, caballo, barco y camión. Se entrega 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 reto más detallado, consulta el conjunto de datos CIFAR-100 relacionado.

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 un punto de referencia estándar para la investigación en clasificación de imágenes 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)

Aplicaciones#

CIFAR-10 se utiliza ampliamente para entrenar y evaluar modelos de clasificación de imágenes, desde redes neuronales convolucionales (CNNs) y máquinas de vectores de soporte (SVMs) clásicas hasta arquitecturas profundas modernas. Su pequeño tamaño de imagen y sus clases equilibradas lo hacen ideal para una experimentación rápida, la evaluación comparativa de nuevos algoritmos y la enseñanza de los fundamentos de la visión artificial.

Uso#

Entrena un modelo YOLO en CIFAR-10 durante 100 épocas con un tamaño de imagen de 32. Para ver la lista completa de argumentos disponibles, consulta 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)

Muestras de imágenes y anotaciones#

El conjunto de datos CIFAR-10 contiene imágenes en color de varios objetos, proporcionando un conjunto de datos bien estructurado para tareas de clasificación de imágenes. 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}
}

Nos gustaría dar las gracias a Alex Krizhevsky por crear y mantener el conjunto de datos CIFAR-10 como un recurso valioso para la comunidad de investigación en 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.

FAQ#

¿Para qué se utiliza el conjunto de datos CIFAR-10 en el aprendizaje automático?#

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 uniformemente en 10 clases, y su pequeño tamaño y clases equilibradas lo convierten en un punto de referencia rápido y fiable para algoritmos como las redes neuronales convolucionales (CNNs) y las máquinas de vectores de soporte (SVMs).

¿Cómo puedo entrenar un modelo Ultralytics YOLO en el conjunto de datos CIFAR-10?#

Para entrenar un modelo Ultralytics YOLO en CIFAR-10, utiliza los fragmentos de código que aparecen a continuación. El conjunto de datos se descarga automáticamente la primera vez que se utiliza. Para obtener una lista completa de argumentos, consulta la página de entrenamiento 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)

¿Cuántas clases tiene el conjunto de datos CIFAR-10?#

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.

¿Cómo se divide el conjunto de datos CIFAR-10 en conjuntos de entrenamiento y de prueba?#

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.

¿Puedo utilizar la plataforma de Ultralytics para entrenar modelos en el conjunto de datos CIFAR-10?#

Sí. Ultralytics Platform te permite gestionar conjuntos de datos, entrenar modelos de clasificación de imágenes e implementarlos sin necesidad de programar mucho. Es una forma cómoda de ejecutar experimentos con CIFAR-10 en la nube, y puedes explorar más opciones en nuestra visión general de conjuntos de datos de clasificación.