Jeu de données CIFAR-10#
Le jeu de données CIFAR-10 (Institut canadien de recherches avancées) est un benchmark classique de classification d’images, composé de 60 000 images couleur de 32x32 pixels réparties équitablement entre 10 classes : avion, automobile, oiseau, chat, cerf, chien, grenouille, cheval, bateau et camion. Il comprend une répartition 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 entraîner et évaluer des modèles de classification. Pour relever un défi plus fin, consulte le jeu de données CIFAR-100, associé à celui-ci.
Explore CIFAR-10 sur Ultralytics Platform pour prévisualiser des exemples, consulter les statistiques du jeu de données et le cloner afin de l’utiliser pour l’entraînement.
Regarder : Comment entraîner un modèle de classification d’images avec le jeu de données CIFAR-10 à l’aide d’Ultralytics YOLO
Fonctionnalités clés#
- CIFAR-10 contient 60 000 images couleur de 32x32 pixels, réparties équitablement entre 10 classes.
- Chaque classe contient exactement 6 000 images — 5 000 pour l’entraînement et 1 000 pour le test —, le jeu de données est donc parfaitement équilibré.
- Les 10 classes sont les suivantes : avion, automobile, oiseau, chat, cerf, chien, grenouille, cheval, bateau et camion.
- Le jeu de données comprend une répartition prédéfinie entre entraînement et test : aucune répartition manuelle ou automatique n’est nécessaire.
- CIFAR-10 est un benchmark de référence pour la recherche en classification d’images et en reconnaissance d’objets.
Structure du jeu de données#
CIFAR-10 comprend une répartition officielle prédéfinie : aucune partition automatique ou manuelle n’est nécessaire :
- Classes : 10 (avion, automobile, oiseau, chat, cerf, chien, grenouille, cheval, bateau, camion)
- Nombre total d’images : 60 000 (images couleur de 32x32 pixels)
- Ensemble d’entraînement : 50 000 images (5 000 par classe)
- Ensemble de test : 10 000 images (1 000 par classe)
CIFAR-10 ne dispose pas d’un dossier de validation distinct. Par défaut, Ultralytics utilise l’ensemble de test de 10 000 images comme ensemble de validation pendant l’entraînement.
Applications#
CIFAR-10 est largement utilisé pour entraîner et évaluer des modèles de classification d’images, qu’il s’agisse de réseaux de neurones convolutifs (CNNs) et de machines à vecteurs de support (SVMs) classiques ou d’architectures profondes modernes. La petite taille des images et l’équilibre des classes en font un jeu de données idéal pour l’expérimentation rapide, l’évaluation de nouveaux algorithmes et l’enseignement des principes 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 consulter la liste complète des arguments disponibles, reporte-toi à la page Entraînement et au guide de la tâche de classification d’images.
from ultralytics import YOLO
# Charger un modèle
model = YOLO("yolo26n-cls.pt") # charger un modèle préentraîné (recommandé pour l’entraînement)
# Entraîner le modèle
results = model.train(data="cifar10", epochs=100, imgsz=32)Exemples d’images et annotations#
Le jeu de données CIFAR-10 contient des images couleur représentant divers objets. Il constitue un jeu de données bien structuré pour les tâches de classification d’images. Voici quelques exemples d’images du jeu de données :
Les exemples illustrent la diversité des objets du jeu de données CIFAR-10, soulignant l’intérêt d’un jeu de données varié pour entraîner des modèles robustes de classification d’images.
Citations et remerciements#
Si tu utilises le jeu de données CIFAR-10 dans tes travaux de recherche ou de développement, cite 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 d’avoir créé et maintenu le jeu de données CIFAR-10, une ressource précieuse pour la communauté de recherche en apprentissage automatique et en vision par ordinateur. Pour en savoir plus sur le jeu de données CIFAR-10 et son créateur, consulte 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 pixels réparties équitablement entre 10 classes. Sa petite taille et l’équilibre des classes en font un benchmark rapide et fiable pour des algorithmes tels que les réseaux de neurones convolutifs (CNNs) et les machines à vecteurs de support (SVMs).
Pour entraîner un modèle Ultralytics YOLO sur CIFAR-10, utilise les extraits de code ci-dessous. Le jeu de données est téléchargé automatiquement lors de sa première utilisation. Pour consulter la liste complète des arguments, reporte-toi à la page d’entraînement du modèle.
Exemple d’entraînementfrom ultralytics import YOLO # Charger un modèle model = YOLO("yolo26n-cls.pt") # charger un modèle préentraîné (recommandé pour l’entraînement) # Entraîner le modèle results = model.train(data="cifar10", epochs=100, imgsz=32)CIFAR-10 compte 10 classes — avion, automobile, oiseau, chat, cerf, chien, grenouille, cheval, bateau et camion — avec exactement 6 000 images chacune, soit 60 000 images au total. Les classes sont mutuellement exclusives et parfaitement équilibrées, sans chevauchement entre les catégories.
CIFAR-10 comprend 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 jeux de données de classification organisés en dossiers qu’Ultralytics répartit automatiquement, la partition officielle de CIFAR-10 est utilisée telle quelle ; par défaut, l’ensemble de test sert d’ensemble 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 avoir à écrire beaucoup de code. C’est une solution pratique pour mener des expériences sur CIFAR-10 dans le cloud. Tu trouveras d’autres options dans notre aperçu des jeux de données de classification.