Jeu de données CIFAR-10#
Le jeu de données CIFAR-10 (Institut canadien de recherches avancées) est une référence classique de classification d’images composée de 60 000 images couleur de 32x32 pixels réparties uniformément entre 10 classes — avion, automobile, oiseau, chat, cerf, chien, grenouille, cheval, bateau et camion. Il est fourni avec une partition 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 comparative de modèles de classification. Pour relever un défi plus précis, consulte le jeu de données CIFAR-100 associé.
Explore CIFAR-10 sur Ultralytics Platform pour prévisualiser des exemples, examiner les statistiques du jeu de données et le cloner pour l’entraînement.
Fonctionnalités clés#
- CIFAR-10 contient 60 000 images couleur de 32x32 pixels, réparties uniformément 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 est fourni avec une partition entraînement/test prédéfinie ; aucune division manuelle ou automatique n’est donc nécessaire.
- CIFAR-10 est une référence standard pour la recherche sur la classification d’images et la reconnaissance d’objets.
Structure du jeu de données#
CIFAR-10 est fourni avec une partition officielle prédéfinie ; aucune division automatique ou manuelle n’est donc nécessaire :
- Classes : 10 (avion, automobile, oiseau, chat, cerf, chien, grenouille, cheval, bateau, camion)
- Total des images : 60 000 (couleur, 32x32)
- Jeu d’entraînement : 50 000 images (5 000 par classe)
- Jeu de test : 10 000 images (1 000 par classe)
CIFAR-10 ne possède pas de dossier de validation distinct ; Ultralytics utilise donc par défaut le jeu de test de 10 000 images comme partition de validation pendant l’entraînement.
Applications#
CIFAR-10 est largement utilisé pour entraîner et évaluer des modèles de classification d’images, des réseaux de neurones convolutifs (CNNs) et des machines à vecteurs de support (SVMs) classiques aux architectures profondes modernes. Sa petite taille d’image et ses classes équilibrées le rendent idéal pour l’expérimentation rapide, l’évaluation comparative 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 consulter 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 d’annotations#
Le jeu de données CIFAR-10 contient des images couleur représentant divers objets, ce qui fournit 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 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, cite l’article suivant :
@TECHREPORT{Krizhevsky09learningmultiple,
author={Alex Krizhevsky},
title={Learning multiple layers of features from tiny images},
institution={},
year={2009}
}Nous souhaitons remercier Alex Krizhevsky pour 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 plus d’informations 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 uniformément entre 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 convolutifs de neurones (CNNs) et les machines à vecteurs de support (SVMs).
CIFAR-10 comporte 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 est fourni avec une partition 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 fondés sur des dossiers, qu’Ultralytics divise automatiquement, la partition officielle de CIFAR-10 est utilisée telle quelle et le jeu de test sert par défaut de partition 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 programmation poussée. C’est un moyen pratique d’exécuter des expériences CIFAR-10 dans le cloud, et tu peux découvrir d’autres options dans notre aperçu 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 est téléchargé automatiquement lors de la première utilisation. Pour consulter la liste complète des arguments, consulte la page Entraînement du modèle.