Jeu de données CIFAR-100#
Le jeu de données CIFAR-100 (Institut canadien de recherches avancées) est un benchmark de classification d’images composé de 60 000 images couleur de 32x32 pixels réparties équitablement entre 100 classes fines (600 images chacune), elles-mêmes regroupées en 20 superclasses générales. Créé par Alex Krizhevsky, il comprend une répartition prédéfinie de 50 000 images d’entraînement et 10 000 images de test, ce qui en fait la version sœur plus difficile et plus fine du jeu de données CIFAR-10.
Explore CIFAR-100 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 sur CIFAR-100 avec Ultralytics YOLO
Fonctionnalités clés#
- CIFAR-100 contient 60 000 images couleur de 32x32 pixels, réparties équitablement entre 100 classes.
- Chaque classe contient exactement 600 images — 500 pour l’entraînement et 100 pour le test —, le jeu de données est donc parfaitement équilibré.
- Les 100 classes fines sont regroupées en 20 superclasses générales pour permettre une classification de niveau supérieur.
- Le jeu de données comprend une répartition prédéfinie entre entraînement et test : aucune répartition manuelle ou automatique n’est nécessaire.
- CIFAR-100 est un benchmark de référence pour la recherche en classification fine d’images et en reconnaissance d’objets.
Structure du jeu de données#
CIFAR-100 comprend une répartition officielle prédéfinie : aucune partition automatique ou manuelle n’est nécessaire :
- Classes : 100 classes fines, regroupées en 20 superclasses générales
- Nombre total d’images : 60 000 (images couleur de 32x32 pixels)
- Ensemble d’entraînement : 50 000 images (500 par classe)
- Ensemble de test : 10 000 images (100 par classe)
CIFAR-100 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. L’entraînement avec data="cifar100" permet d’apprendre les 100 classes fines.
Applications#
CIFAR-100 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. Ses 100 classes fines et la petite taille des images en font un benchmark exigeant pour la recherche en apprentissage automatique, la comparaison d’algorithmes et l’expérimentation en vision par ordinateur.
Utilisation#
Entraîne un modèle YOLO sur CIFAR-100 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
# Charger un modèle
model = YOLO("yolo26n-cls.pt") # charger un modèle préentraîné (recommandé pour l’entraînement)
# Entraîner le modèle
results = model.train(data="cifar100", epochs=100, imgsz=32)Exemples d’images et annotations#
Exemples d’images du jeu de données CIFAR-100 :
Les exemples illustrent la diversité des objets du jeu de données CIFAR-100 et soulignent 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-100 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-100, 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-100 et son créateur, consulte le site Web du jeu de données CIFAR-100.
FAQ#
Le jeu de données CIFAR-100 est largement utilisé pour entraîner et évaluer des modèles fins de classification d’images et de reconnaissance d’objets. Il contient 60 000 images couleur de 32x32 réparties en 100 classes, elles-mêmes regroupées en 20 superclasses, ce qui en fait un benchmark plus exigeant que CIFAR-10 pour des algorithmes tels que les réseaux neuronaux convolutifs (CNNs) et les machines à vecteurs de support (SVMs), ainsi que pour évaluer les modèles d’apprentissage profond développés avec Ultralytics YOLO.
Pour entraîner un modèle Ultralytics YOLO sur CIFAR-100, 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, consulte la page 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="cifar100", epochs=100, imgsz=32)CIFAR-100 compte 100 classes fines — comme pomme, dauphin, érable, moto et fusée — avec exactement 600 images chacune, soit 60 000 images au total. Ces 100 classes sont également regroupées en 20 superclasses générales (par exemple, la superclasse des arbres comprend l’érable, le chêne, le palmier, le pin et le saule). L’entraînement avec
data="cifar100"utilise les 100 classes fines.CIFAR-100 est fourni avec une répartition prédéfinie de 50 000 images d’entraînement et de 10 000 images de test, soit exactement 500 images d’entraînement et 100 images de test par classe. Contrairement aux jeux de données de classification organisés en dossiers qu’Ultralytics répartit automatiquement, la partition officielle de CIFAR-100 est utilisée telle quelle, et l’ensemble de test sert par défaut 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 coder beaucoup. C’est un moyen pratique de réaliser des expériences CIFAR-100 dans le cloud, et tu peux découvrir d’autres options dans notre aperçu des jeux de données de classification.