Conjunto de datos CIFAR-100

Q: What is the CIFAR-100 dataset and why is it significant?

El conjunto de datos CIFAR-100 es una gran colección de 60.000 imágenes en color de 32x32 clasificadas en 100 clases. Desarrollado por el Instituto Canadiense de Investigación Avanzada (CIFAR), proporciona un conjunto de datos desafiante, ideal para tareas complejas de aprendizaje automático y visión por ordenador. Su importancia radica en la diversidad de clases y el pequeño tamaño de las imágenes, lo que lo convierte en un valioso recurso para entrenar y probar modelos de aprendizaje profundo, como las Redes Neuronales Convolucionales (CNN), utilizando marcos como Ultralytics YOLO .

Q: What are the primary applications of the CIFAR-100 dataset?

El conjunto de datos CIFAR-100 se utiliza ampliamente en el entrenamiento y la evaluación de modelos de aprendizaje profundo para la clasificación de imágenes. Su variado conjunto de 100 clases, agrupadas en 20 categorías gruesas, proporciona un entorno desafiante para probar algoritmos como las redes neuronales convolucionales (CNN), las máquinas de vectores de soporte (SVM) y otros enfoques de aprendizaje automático. Este conjunto de datos es un recurso clave en la investigación y el desarrollo en los campos del aprendizaje automático y la visión por ordenador.

Q: How is the CIFAR-100 dataset structured?

El conjunto de datos CIFAR-100 está dividido en dos subconjuntos principales: Cada una de las 100 clases contiene 600 imágenes, con 500 imágenes para el entrenamiento y 100 para las pruebas, lo que lo hace especialmente adecuado para la investigación académica e industrial rigurosa.

The CIFAR-100 (Canadian Institute For Advanced Research) dataset is a significant extension of the CIFAR-10 dataset, composed of 60,000 32x32 color images in 100 different classes. It was developed by researchers at the CIFAR institute, offering a more challenging dataset for more complex machine learning and computer vision tasks.

Características principales

El conjunto de datos CIFAR-100 consta de 60.000 imágenes, divididas en 100 clases.
Cada clase contiene 600 imágenes, divididas en 500 para el entrenamiento y 100 para la prueba.
Las imágenes están coloreadas y tienen un tamaño de 32x32 píxeles.
Las 100 clases diferentes se agrupan en 20 categorías gruesas para una clasificación de nivel superior.
El CIFAR-100 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-100 se divide en dos subconjuntos:

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

Aplicaciones

The CIFAR-100 dataset is extensively used for training and evaluating deep learning models in image classification tasks, such as Convolutional Neural Networks (CNNs), Support Vector Machines (SVMs), and various other machine learning algorithms. The diversity of the dataset in terms of classes and the presence of color images make it a more challenging and comprehensive dataset for research and development in the field of machine learning and computer vision.

Utilización

To train a YOLO model on the CIFAR-100 dataset for 100 epochs with an image size of 32x32, you can use the following code snippets. For a comprehensive list of available arguments, refer to the model Training page.

Ejemplo de tren

PythonCLI

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="cifar100", epochs=100, imgsz=32)

# Start training from a pretrained *.pt model
yolo classify train data=cifar100 model=yolo11n-cls.pt epochs=100 imgsz=32

Ejemplos de imágenes y anotaciones

The CIFAR-100 dataset contains color images of various objects, providing a well-structured dataset for image classification tasks. Here are some examples of images from the dataset:

Imagen de muestra del conjunto de datos

El ejemplo muestra la variedad y complejidad de los objetos del conjunto de datos CIFAR-100, lo que pone de relieve la importancia de un conjunto de datos diverso para entrenar modelos robustos de clasificación de imágenes.

Citas y agradecimientos

Si utilizas el conjunto de datos CIFAR-100 en tu trabajo de investigación o desarrollo, cita el siguiente documento:

BibTeX

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

We would like to acknowledge Alex Krizhevsky for creating and maintaining the CIFAR-100 dataset as a valuable resource for the machine learning and computer vision research community. For more information about the CIFAR-100 dataset and its creator, visit the CIFAR-100 dataset website.

PREGUNTAS FRECUENTES

¿Qué es el conjunto de datos CIFAR-100 y por qué es importante?

The CIFAR-100 dataset is a large collection of 60,000 32x32 color images classified into 100 classes. Developed by the Canadian Institute For Advanced Research (CIFAR), it provides a challenging dataset ideal for complex machine learning and computer vision tasks. Its significance lies in the diversity of classes and the small size of the images, making it a valuable resource for training and testing deep learning models, like Convolutional Neural Networks (CNNs), using frameworks such as Ultralytics YOLO.

¿Cómo entreno un modelo YOLO en el conjunto de datos CIFAR-100?

Puedes entrenar un modelo YOLO en el conjunto de datos CIFAR-100 utilizando los comandos Python o CLI . A continuación te explicamos cómo:

Ejemplo de tren

PythonCLI

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="cifar100", epochs=100, imgsz=32)

# Start training from a pretrained *.pt model
yolo classify train data=cifar100 model=yolo11n-cls.pt epochs=100 imgsz=32

Para obtener una lista completa de los argumentos disponibles, consulta la página Modelo de formación.

¿Cuáles son las principales aplicaciones del conjunto de datos CIFAR-100?

The CIFAR-100 dataset is extensively used in training and evaluating deep learning models for image classification. Its diverse set of 100 classes, grouped into 20 coarse categories, provides a challenging environment for testing algorithms such as Convolutional Neural Networks (CNNs), Support Vector Machines (SVMs), and various other machine learning approaches. This dataset is a key resource in research and development within machine learning and computer vision fields.

¿Cómo está estructurado el conjunto de datos CIFAR-100?

El conjunto de datos CIFAR-100 se divide en dos subconjuntos principales:

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

Cada una de las 100 clases contiene 600 imágenes, con 500 imágenes para el entrenamiento y 100 para las pruebas, lo que la hace especialmente adecuada para la investigación académica e industrial rigurosa.

¿Dónde puedo encontrar imágenes de muestra y anotaciones del conjunto de datos CIFAR-100?

El conjunto de datos CIFAR-100 incluye una variedad de imágenes en color de diversos objetos, lo que lo convierte en un conjunto de datos estructurado para tareas de clasificación de imágenes. Puedes consultar la página de documentación para ver ejemplos de imágenes y anotaciones. Estos ejemplos ponen de relieve la diversidad y complejidad del conjunto de datos, importantes para entrenar modelos sólidos de clasificación de imágenes.

📅 Created 11 months ago ✏️ Updated 7 days ago