Ensemble de données CIFAR-100

L'ensemble de données CIFAR-100 (Canadian Institute For Advanced Research) est une extension significative de l'ensemble de données CIFAR-10, composé de 60 000 images couleur 32x32 dans 100 classes différentes. Il a été développé par des chercheurs de l'institut CIFAR, offrant un ensemble de données plus stimulant pour des tâches plus complexes d'apprentissage automatique et de vision par ordinateur.

Caractéristiques principales

• L'ensemble de données CIFAR-100 se compose de 60 000 images, réparties en 100 classes.
• Chaque classe contient 600 images, réparties en 500 pour la formation et 100 pour le test.
• Les images sont colorées et ont une taille de 32x32 pixels.
• Les 100 classes différentes sont regroupées en 20 catégories grossières pour une classification de niveau supérieur.
• CIFAR-100 est couramment utilisé pour la formation et les tests dans le domaine de l'apprentissage automatique et de la vision par ordinateur.

Structure de l'ensemble de données

L'ensemble de données CIFAR-100 est divisé en deux sous-ensembles :

1. Ensemble d'entraînement: Ce sous-ensemble contient 50 000 images utilisées pour l'entraînement des modèles d'apprentissage automatique.
2. Ensemble de test: Ce sous-ensemble se compose de 10 000 images utilisées pour tester et étalonner les modèles formés.

Applications

L'ensemble de données CIFAR-100 est largement utilisé pour la formation et l'évaluation de modèles d'apprentissage profond dans les tâches de classification d'images, tels que les réseaux neuronaux convolutifs (CNN), les machines à vecteurs de support (SVM) et divers autres algorithmes d'apprentissage automatique. La diversité de l'ensemble de données en termes de classes et la présence d'images en couleur en font un ensemble de données plus difficile et plus complet pour la recherche et le développement dans le domaine de l'apprentissage automatique et de la vision par ordinateur.

Utilisation

Pour entraîner un modèle YOLO sur l'ensemble de données CIFAR-100 pour 100 époques avec une taille d'image de 32x32, tu peux utiliser les extraits de code suivants. Pour obtenir une liste complète des arguments disponibles, reporte-toi à la page Formation du modèle.

from ultralytics import YOLO

# Load a model
model = YOLO('yolov8n-cls.pt')  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data='cifar100', epochs=100, imgsz=32)

# Start training from a pretrained *.pt model
yolo detect train data=cifar100 model=yolov8n-cls.pt epochs=100 imgsz=32

Exemples d'images et d'annotations

L'ensemble de données CIFAR-100 contient des images en couleur de divers objets, ce qui constitue un ensemble de données bien structuré pour les tâches de classification d'images. Voici quelques exemples d'images tirées de l'ensemble de données :

L'exemple présente la variété et la complexité des objets de l'ensemble de données CIFAR-100, soulignant l'importance d'un ensemble de données diversifié pour former des modèles de classification d'images robustes.

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 pour avoir créé et maintenu le jeu de données CIFAR-100 comme une ressource précieuse pour la communauté de recherche sur l'apprentissage automatique et la vision par ordinateur. Pour plus d'informations sur l'ensemble de données CIFAR-100 et son créateur, visite le site Web de l'ensemble de données CIFAR-100.

Commentaires