Link to this sectionJeu de données CIFAR-100#

Le jeu de données CIFAR-100 (Canadian Institute For Advanced Research) est un benchmark de classification d'images composé de 60 000 images couleur 32x32 réparties équitablement sur 100 classes fines (600 images chacune), qui sont elles-mêmes regroupées en 20 superclasses grossières. Créé par Alex Krizhevsky, il est fourni avec une répartition prédéfinie de 50 000 images d'entraînement et 10 000 images de test, ce qui en fait le frère plus complexe et plus détaillé du jeu de données CIFAR-10.

Link to this sectionFonctionnalités clés#

• CIFAR-100 contient 60 000 images couleur de 32x32 pixels, divisées équitablement en 100 classes.
• Chaque classe contient exactement 600 images — 500 pour l'entraînement et 100 pour le test — ce qui rend le jeu de données parfaitement équilibré.
• Les 100 classes fines sont regroupées en 20 superclasses grossières pour une classification de plus haut niveau.
• Le dataset est fourni avec une répartition entraînement/test prédéfinie, donc aucune séparation manuelle ou automatique n'est requise.
• CIFAR-100 est un benchmark standard pour la recherche en classification d'images fine et la reconnaissance d'objets.

Link to this sectionStructure du jeu de données#

CIFAR-100 est fourni avec une répartition officielle et prédéfinie, donc aucun partitionnement automatique ou manuel n'est nécessaire :

• Classes : 100 classes fines, regroupées en 20 superclasses grossières
• Nombre total d'images : 60 000 (couleur 32x32)
• Ensemble d'entraînement : 50 000 images (500 par classe)
• Ensemble de test : 10 000 images (100 par classe)

Link to this sectionApplications#

CIFAR-100 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. Ses 100 classes fines et sa petite taille d'image en font un benchmark exigeant pour la recherche en apprentissage automatique, la comparaison d'algorithmes et l'expérimentation en vision par ordinateur.

Link to this sectionUtilisation#

Entraîne un modèle YOLO sur CIFAR-100 pendant 100 époques avec une taille d'image de 32. Pour la liste complète des arguments disponibles, consulte la page Entraînement et le guide de 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="cifar100", epochs=100, imgsz=32)

Link to this sectionExemples d'images et annotations#

Exemples d'images du jeu de données CIFAR-100 :

Les échantillons montrent la diversité des objets dans le jeu de données CIFAR-100, soulignant l'importance d'un jeu de données varié pour entraîner des modèles de classification d'images robustes.

Link to this sectionCitations et remerciements#

Si tu utilises le jeu de données CIFAR-100 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 souhaitons remercier Alex Krizhevsky pour avoir créé et maintenu le jeu de données CIFAR-100 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-100 et son créateur, visite le site web du jeu de données CIFAR-100.

Link to this sectionFAQ#

Link to this sectionÀ quoi sert le jeu de données CIFAR-100 dans l'apprentissage automatique ?#

Le jeu de données CIFAR-100 est largement utilisé pour entraîner et évaluer des modèles de classification d'images fine et de reconnaissance d'objets. Il contient 60 000 images couleur 32x32 réparties en 100 classes regroupées en 20 superclasses, ce qui en fait un benchmark plus difficile que CIFAR-10 pour des algorithmes tels que les Réseaux de Neurones Convolutifs (CNN) et les Machines à Vecteurs de Support (SVM), ainsi que pour évaluer des modèles d'apprentissage profond construits avec Ultralytics YOLO.

Link to this sectionComment puis-je entraîner un modèle Ultralytics YOLO sur le jeu de données CIFAR-100 ?#

Pour entraîner un modèle Ultralytics YOLO sur CIFAR-100, 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 Entraînement du modèle.

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)

Link to this sectionCombien de classes comporte le jeu de données CIFAR-100 ?#

CIFAR-100 possède 100 classes fines — telles que pomme, dauphin, érable, moto et fusée — avec exactement 600 images chacune, pour un total de 60 000 images. Ces 100 classes sont également regroupées en 20 superclasses grossières (par exemple, la superclasse des arbres couvre l'érable, le chêne, le palmier, le pin et le saule). L'entraînement avec data="cifar100" utilise les 100 classes fines.

Link to this sectionComment le jeu de données CIFAR-100 est-il divisé en ensembles d'entraînement et de test ?#

CIFAR-100 est fourni avec une répartition prédéfinie de 50 000 images d'entraînement et 10 000 images de test, avec exactement 500 images d'entraînement et 100 images de test par classe. Contrairement aux jeux de données de classification basés sur des dossiers qu'Ultralytics divise automatiquement, la partition officielle de CIFAR-100 est utilisée telle quelle, et l'ensemble de test sert par défaut de répartition de validation pendant l'entraînement.

Link to this sectionPuis-je utiliser la plateforme Ultralytics pour entraîner des modèles sur le jeu de données CIFAR-100 ?#

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 approfondi. C'est un moyen pratique d'exécuter des expériences CIFAR-100 dans le cloud, et tu peux explorer davantage d'options dans notre aperçu des jeux de données de classification.