Ir al contenido

Conjunto de datos CIFAR-10

El conjunto de datos CIFAR-10 (Canadian Institute For Advanced Research) es una colección de imágenes muy utilizada para algoritmos de aprendizaje automático y visión por ordenador. Fue desarrollado por investigadores del instituto CIFAR y consta de 60.000 imágenes en color de 32x32 en 10 clases diferentes.



Observa: Cómo formar a un Clasificación de imágenes Modelo con el conjunto de datos CIFAR-10 utilizando Ultralytics YOLO11

Características principales

  • El conjunto de datos CIFAR-10 consta de 60.000 imágenes, divididas en 10 clases.
  • Cada clase contiene 6.000 imágenes, divididas en 5.000 para el entrenamiento y 1.000 para las pruebas.
  • Las imágenes están coloreadas 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 entrenamiento y pruebas en el campo del aprendizaje automático y la visión por ordenador.

Estructura del conjunto de datos

El conjunto de datos CIFAR-10 se divide en dos subconjuntos:

  1. Conjunto de entrenamiento: Este subconjunto contiene 50.000 imágenes utilizadas para entrenar modelos de aprendizaje automático.
  2. Conjunto de pruebas: Este subconjunto consta de 10.000 imágenes utilizadas para probar y evaluar los modelos entrenados.

Aplicaciones

El conjunto de datos CIFAR-10 se utiliza ampliamente para entrenar y evaluar modelos de aprendizaje profundo en tareas de clasificación de imágenes, como redes neuronales convolucionales (CNN), máquinas de vectores de soporte (SVM) y otros algoritmos de aprendizaje automático. La diversidad del conjunto de datos en términos de clases y la presencia de imágenes en color lo convierten en un conjunto de datos muy completo para la investigación y el desarrollo en el campo del aprendizaje automático y la visión por ordenador.

Utilización

Para entrenar un modelo YOLO en el conjunto de datos CIFAR-10 durante 100 épocas con un tamaño de imagen de 32x32, puede utilizar los siguientes fragmentos de código. Para obtener una lista completa de los argumentos disponibles, consulte la página de entrenamiento del modelo.

Ejemplo de tren

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n-cls.pt")  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data="cifar10", epochs=100, imgsz=32)
# Start training from a pretrained *.pt model
yolo classify train data=cifar10 model=yolo11n-cls.pt epochs=100 imgsz=32

Ejemplos de imágenes 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. He aquí algunos ejemplos de imágenes del conjunto de datos:

Imagen de muestra del conjunto de datos

El ejemplo muestra la variedad y complejidad de los objetos del conjunto de datos CIFAR-10, lo que pone de relieve la importancia de contar con un conjunto de datos diverso para entrenar modelos sólidos de clasificación de imágenes.

Citas y agradecimientos

Si utiliza el conjunto de datos CIFAR-10 en su trabajo de investigación o desarrollo, cite el siguiente documento:

@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 valioso recurso para la comunidad investigadora del aprendizaje automático y la visión por ordenador. Para más información sobre el conjunto de datos CIFAR-10 y su creador, visite el sitio web del conjunto de datos CIFAR-10.

PREGUNTAS FRECUENTES

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

Para entrenar un modelo YOLO en el conjunto de datos CIFAR-10 utilizando Ultralytics, puede seguir los ejemplos proporcionados tanto para Python como para CLI. A continuación se muestra un ejemplo básico para entrenar su modelo para 100 epochs con un tamaño de imagen de 32x32 píxeles:

Ejemplo

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n-cls.pt")  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data="cifar10", epochs=100, imgsz=32)
# Start training from a pretrained *.pt model
yolo classify train data=cifar10 model=yolo11n-cls.pt epochs=100 imgsz=32

Para más detalles, consulte la página de formación del modelo.

¿Cuáles son las principales características del conjunto de datos CIFAR-10?

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

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

Este variado conjunto de datos es esencial para entrenar modelos de clasificación de imágenes en campos como el aprendizaje automático y la visión por ordenador. Para más información, visite las secciones de CIFAR-10 sobre estructura del conjunto de datos y aplicaciones.

¿Por qué utilizar el conjunto de datos CIFAR-10 para tareas de clasificación de imágenes?

El conjunto de datos CIFAR-10 es una excelente referencia para la clasificación de imágenes por 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 aprendizaje profundo, incluidas las redes neuronales convolucionales (CNN) y otros algoritmos de aprendizaje automático. El conjunto de datos es relativamente pequeño, lo que lo hace adecuado para la experimentación rápida y el desarrollo de algoritmos. Explore sus numerosas aplicaciones en la sección de aplicaciones.

¿Cómo está estructurado el conjunto de datos CIFAR-10?

El conjunto de datos CIFAR-10 está estructurado en dos subconjuntos principales:

  1. Conjunto de entrenamiento: Contiene 50.000 imágenes utilizadas para entrenar modelos de aprendizaje automático.
  2. Conjunto de pruebas: Consiste en 10.000 imágenes para probar y comparar los modelos entrenados.

Cada subconjunto incluye imágenes clasificadas en 10 clases, con sus anotaciones disponibles para el entrenamiento y la evaluación del modelo. Para obtener información más detallada, consulte la sección sobre la estructura del conjunto de datos.

¿Cómo puedo citar el conjunto de datos CIFAR-10 en mi investigación?

Si utiliza el conjunto de datos CIFAR-10 en sus proyectos de investigación o desarrollo, asegúrese de citar el siguiente documento:

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

El reconocimiento a los creadores del conjunto de datos contribuye a apoyar la investigación y el desarrollo continuos en este campo. Para más información, consulte la sección de citas y agradecimientos.

¿Cuáles son algunos ejemplos prácticos de utilización del conjunto de datos CIFAR-10?

El conjunto de datos CIFAR-10 se utiliza a menudo para entrenar modelos de clasificación de imágenes, como las redes neuronales convolucionales (CNN) y las máquinas de vectores soporte (SVM). Estos modelos pueden emplearse en diversas tareas de visión por ordenador, como la detección de objetos, el reconocimiento de imágenes y el etiquetado automático. Para ver algunos ejemplos prácticos, consulte los fragmentos de código de la sección de uso.

Creado hace 1 año ✏️ Actualizado hace 2 meses

Comentarios