Jeu de données CIFAR-10#
Le jeu de données CIFAR-10 (Canadian Institute For Advanced Research) est une référence classique de classification d'images de 60 000 images couleur de 32x32 réparties uniformément sur 10 classes — avion, automobile, oiseau, chat, cerf, chien, grenouille, cheval, navire et camion. Il est fourni avec une division prédéfinie de 50 000 images d'entraînement et 10 000 images de test (6 000 par classe), ce qui en fait un point de départ léger et bien équilibré pour l'entraînement et l'évaluation de modèles de classification. Pour un défi plus précis, consulte le jeu de données CIFAR-100 associé.
Découvre CIFAR-10 on Ultralytics Platform pour prévisualiser des échantillons, inspecter les statistiques du dataset et le cloner pour l'entraînement.
Fonctionnalités clés#
- CIFAR-10 contient 60 000 images couleur de 32x32 pixels, divisées équitablement en 10 classes.
- Chaque classe contient exactement 6 000 images — 5 000 pour l'entraînement et 1 000 pour le test — le dataset est donc parfaitement équilibré.
- Les 10 classes sont : avion, automobile, oiseau, chat, cerf, chien, grenouille, cheval, navire et camion.
- Le dataset est fourni avec une répartition entraînement/test prédéfinie, donc aucune séparation manuelle ou automatique n'est requise.
- CIFAR-10 est une référence standard pour la recherche en classification d'images et en reconnaissance d'objets.
Structure du jeu de données#
CIFAR-10 est fourni avec une répartition officielle prédéfinie, aucune séparation manuelle ou automatique n'est donc nécessaire :
- Classes : 10 (avion, automobile, oiseau, chat, cerf, chien, grenouille, cheval, navire, camion)
- Nombre total d'images : 60 000 (couleur 32x32)
- Ensemble d'entraînement : 50 000 images (5 000 par classe)
- Ensemble de test : 10 000 images (1 000 par classe)
CIFAR-10 ne possède pas de dossier de validation distinct, c'est pourquoi Ultralytics utilise par défaut l'ensemble de test de 10 000 images comme répartition de validation pendant l'entraînement.
Applications#
CIFAR-10 est largement utilisé pour entraîner et évaluer des modèles de classification d'images, allant des Réseaux de Neurones Convolutifs (CNN) et des Machines à Vecteurs de Support (SVM) classiques aux architectures profondes modernes. Sa petite taille d'image et ses classes équilibrées le rendent idéal pour l'expérimentation rapide, l'évaluation de nouveaux algorithmes et l'enseignement des fondamentaux de la vision par ordinateur.
Utilisation#
Entraîne un modèle YOLO sur CIFAR-10 pendant 100 époques avec une taille d'image de 32. Pour obtenir la liste complète des arguments disponibles, consulte la page Entraînement et le guide de la tâche de classification d'images.
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)Exemples d'images et annotations#
Le jeu de données CIFAR-10 contient des images couleur de divers objets, offrant un ensemble de données bien structuré pour les tâches de classification d'images. Voici quelques exemples d'images du jeu de données :
Les échantillons montrent la diversité des objets dans le dataset CIFAR-10, soulignant l'importance d'un dataset varié pour entraîner des modèles de classification d'images robustes.
Citations et remerciements#
Si tu utilises le jeu de données CIFAR-10 dans tes travaux de recherche ou de développement, merci de citer l'article suivant :
@TECHREPORT{Krizhevsky09learningmultiple,
author={Alex Krizhevsky},
title={Learning multiple layers of features from tiny images},
institution={},
year={2009}
}Nous tenons à remercier Alex Krizhevsky pour avoir créé et maintenu le jeu de données CIFAR-10 en tant que ressource précieuse pour la communauté de recherche en apprentissage automatique et en vision par ordinateur. Pour plus d'informations sur le jeu de données CIFAR-10 et son créateur, visite le site web du jeu de données CIFAR-10.
FAQ#
Le jeu de données CIFAR-10 est largement utilisé pour entraîner et évaluer des modèles de classification d'images et de reconnaissance d'objets. Il contient 60 000 images couleur de 32x32 réparties uniformément sur 10 classes, et sa petite taille ainsi que ses classes équilibrées en font une référence rapide et fiable pour des algorithmes tels que les Réseaux de Neurones Convolutifs (CNN) et les Machines à Vecteurs de Support (SVM).
CIFAR-10 possède 10 classes — avion, automobile, oiseau, chat, cerf, chien, grenouille, cheval, navire et camion — avec exactement 6 000 images chacune, pour un total de 60 000 images. Les classes sont mutuellement exclusives et parfaitement équilibrées, sans chevauchement entre les catégories.
CIFAR-10 est fourni avec une répartition prédéfinie de 50 000 images d'entraînement et 10 000 images de test, avec exactement 5 000 images d'entraînement et 1 000 images de test par classe. Contrairement aux datasets de classification basés sur des dossiers qu'Ultralytics divise automatiquement, la répartition officielle de CIFAR-10 est utilisée telle quelle, et l'ensemble de test sert par défaut de répartition de validation pendant l'entraînement.
Oui. Ultralytics Platform te permet de gérer des jeux de données, d'entraîner des modèles de classification d'images et de les déployer sans codage intensif. C'est un moyen pratique d'exécuter des expériences CIFAR-10 dans le cloud, et tu peux explorer d'autres options dans notre présentation des jeux de données de classification.
Pour entraîner un modèle Ultralytics YOLO sur CIFAR-10, utilise les extraits de code ci-dessous. Le jeu de données se télécharge automatiquement lors de la première utilisation. Pour une liste complète des arguments, consulte la page d'Entraînement du modèle.