Conjunto de datos CIFAR-100#
El conjunto de datos CIFAR-100 (Instituto Canadiense de Investigación Avanzada) es un conjunto de referencia de clasificación de imágenes con 60.000 imágenes en color de 32x32 píxeles distribuidas equitativamente en 100 clases detalladas (600 imágenes cada una), agrupadas a su vez en 20 superclases generales. Creado por Alex Krizhevsky, incluye una división predefinida de 50.000 imágenes de entrenamiento y 10.000 de prueba, lo que lo convierte en la variante más exigente y detallada del conjunto de datos CIFAR-10.
Explora CIFAR-100 en Ultralytics Platform para previsualizar muestras, consultar las estadísticas del conjunto de datos y clonarlo para entrenar.
Características principales#
- CIFAR-100 contiene 60.000 imágenes en color de 32x32 píxeles, distribuidas equitativamente en 100 clases.
- Cada clase contiene exactamente 600 imágenes —500 para entrenamiento y 100 para prueba—, por lo que el conjunto de datos está perfectamente equilibrado.
- Las 100 clases detalladas se agrupan en 20 superclases generales para realizar una clasificación de nivel superior.
- El conjunto de datos incluye una división predefinida entre entrenamiento y prueba, por lo que no es necesario dividirlo manual ni automáticamente.
- CIFAR-100 es un conjunto de referencia estándar para la investigación en clasificación de imágenes detallada y reconocimiento de objetos.
Estructura del conjunto de datos#
CIFAR-100 incluye una división oficial predefinida, por lo que no es necesario dividirlo de forma automática ni manual:
- Clases: 100 clases detalladas, agrupadas en 20 superclases generales
- Imágenes en total: 60.000 (en color, 32x32)
- Conjunto de entrenamiento: 50.000 imágenes (500 por clase)
- Conjunto de prueba: 10.000 imágenes (100 por clase)
CIFAR-100 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. El entrenamiento con data="cifar100" aprende las 100 clases detalladas.
Aplicaciones#
CIFAR-100 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. Sus 100 clases detalladas y el reducido tamaño de sus imágenes lo convierten en un exigente banco de pruebas para la investigación en aprendizaje automático, la comparación de algoritmos y la experimentación en visión artificial.
Uso#
Entrena un modelo YOLO con CIFAR-100 durante 100 épocas con un tamaño de imagen de 32. Consulta la página de entrenamiento y la guía de la tarea de clasificación de imágenes para ver la lista completa de argumentos disponibles.
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="cifar100", epochs=100, imgsz=32)Imágenes de muestra y anotaciones#
Imágenes de muestra del conjunto de datos CIFAR-100:
Las muestras muestran la diversidad de los objetos del conjunto de datos CIFAR-100 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-100 en tus trabajos 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 a Alex Krizhevsky por crear y mantener el conjunto de datos CIFAR-100 como recurso valioso para la comunidad investigadora de aprendizaje automático y visión artificial. Para obtener más información sobre el conjunto de datos CIFAR-100 y su creador, visita el sitio web del conjunto de datos CIFAR-100.
Preguntas frecuentes#
El conjunto de datos CIFAR-100 se utiliza ampliamente para entrenar y comparar modelos detallados de clasificación de imágenes y reconocimiento de objetos. Contiene 60 000 imágenes en color de 32x32, distribuidas en 100 clases agrupadas en 20 superclases, por lo que supone un reto mayor que CIFAR-10 para algoritmos como las redes neuronales convolucionales (CNNs) y las máquinas de vectores de soporte (SVMs), y para evaluar modelos de aprendizaje profundo creados con Ultralytics YOLO.
Para entrenar un modelo Ultralytics YOLO con CIFAR-100, utiliza los fragmentos de código siguientes. El conjunto de datos se descarga automáticamente la primera vez que se utiliza. Consulta la página de entrenamiento del modelo para ver la lista completa de argumentos.
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="cifar100", epochs=100, imgsz=32)CIFAR-100 tiene 100 clases detalladas —como manzana, delfín, arce, motocicleta y cohete— con exactamente 600 imágenes cada una, lo que suma 60 000 imágenes. Además, estas 100 clases se agrupan en 20 superclases generales (por ejemplo, la superclase de árboles incluye arce, roble, palmera, pino y sauce). El entrenamiento con
data="cifar100"utiliza las 100 clases detalladas.CIFAR-100 incluye una división predefinida de 50 000 imágenes de entrenamiento y 10 000 imágenes de prueba, con exactamente 500 imágenes de entrenamiento y 100 de prueba por clase. A diferencia de los conjuntos de datos de clasificación basados en carpetas, que Ultralytics divide automáticamente, se utiliza tal cual la partición oficial de CIFAR-100 y, de forma predeterminada, el conjunto de prueba sirve como conjunto 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 programar demasiado. Es una forma cómoda de ejecutar experimentos con CIFAR-100 en la nube, y puedes consultar más opciones en nuestro resumen de conjuntos de datos de clasificación.