Conjunto de datos CIFAR-100#
El conjunto de datos CIFAR-100 (Canadian Institute For Advanced Research) es un punto de referencia de clasificación de imágenes de 60.000 imágenes en color de 32x32 distribuidas uniformemente entre 100 clases detalladas (600 imágenes cada una), las cuales a su vez se agrupan 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 el hermano más difícil y detallado del conjunto de datos CIFAR-10.
Explora CIFAR-100 on Ultralytics Platform para previsualizar muestras, inspeccionar estadísticas del conjunto de datos y clonarlo para el entrenamiento.
Características clave#
- CIFAR-100 contiene 60.000 imágenes en color de 32x32 píxeles, divididas equitativamente en 100 clases.
- Cada clase contiene exactamente 600 imágenes —500 para entrenamiento y 100 para pruebas—, por lo que el conjunto de datos está perfectamente equilibrado.
- Las 100 clases detalladas se agrupan en 20 superclases generales para una clasificación de nivel superior.
- 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-100 es una referencia estándar para la investigación de clasificación de imágenes detallada y reconocimiento de objetos.
Estructura del dataset#
CIFAR-100 incluye una división oficial y predefinida, por lo que no es necesaria ninguna partición automática o manual:
- Clases: 100 clases detalladas, agrupadas en 20 superclases generales
- Imágenes totales: 60.000 (32x32 en color)
- 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 separada, por lo que Ultralytics utiliza de forma predeterminada 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 Redes Neuronales Convolucionales (CNN) y Máquinas de Vectores de Soporte (SVM) clásicas hasta arquitecturas profundas modernas. Sus 100 clases detalladas y su pequeño tamaño de imagen lo convierten en un punto de referencia exigente para la investigación de aprendizaje automático, la comparación de algoritmos y la experimentación en visión artificial.
Uso#
Entrena un modelo YOLO en CIFAR-100 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="cifar100", epochs=100, imgsz=32)Muestras de imágenes y anotaciones#
Imágenes de muestra del conjunto de datos CIFAR-100:
Las muestras muestran la diversidad de los objetos en el conjunto de datos CIFAR-100, subrayando el valor de un conjunto de datos variado para entrenar modelos de clasificación de imágenes robustos.
Citas y agradecimientos#
Si utilizas el conjunto de datos CIFAR-100 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-100 como un recurso valioso para la comunidad de investigación 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.
FAQ#
El conjunto de datos CIFAR-100 se utiliza ampliamente para entrenar y evaluar modelos de reconocimiento de objetos y clasificación de imágenes detallada. Contiene 60.000 imágenes en color de 32x32 distribuidas en 100 clases agrupadas en 20 superclases, lo que lo convierte en un punto de referencia más desafiante que CIFAR-10 para algoritmos como Redes Neuronales Convolucionales (CNN) y Máquinas de Vectores de Soporte (SVM), así como para evaluar modelos de aprendizaje profundo construidos con Ultralytics YOLO.
Para entrenar un modelo Ultralytics YOLO en CIFAR-100, utiliza los fragmentos de código a continuación. El conjunto de datos se descarga automáticamente en el primer uso. Para ver una lista completa de argumentos, consulta la página de Entrenamiento 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="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 un total de 60.000 imágenes. Estas 100 clases también se agrupan en 20 superclases generales (por ejemplo, la superclase de árboles abarca el arce, el roble, la palmera, el pino y el sauce). El entrenamiento con
data="cifar100"utiliza las 100 clases detalladas.CIFAR-100 se distribuye con una división predefinida de 50.000 imágenes de entrenamiento y 10.000 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, la partición oficial de CIFAR-100 se utiliza tal cual, y el conjunto de prueba sirve como la división de validación durante el entrenamiento de forma predeterminada.
Sí. Ultralytics Platform te permite gestionar conjuntos de datos, entrenar modelos de clasificación de imágenes y desplegarlos sin necesidad de programar extensamente. Es una forma cómoda de ejecutar experimentos con CIFAR-100 en la nube, y puedes explorar más opciones en nuestra descripción general de conjuntos de datos de clasificación.