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, vous pouvez utiliser les extraits de code suivants. Pour une liste complète des arguments disponibles, reportez-vous à la page d'entraînement du modèle.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n-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 classify train data=cifar100 model=yolo11n-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 et 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 montre la variété et la complexité des objets de l'ensemble de données CIFAR-100, soulignant l'importance d'un ensemble de données diversifié pour la formation de modèles de classification d'images robustes.

Citations et remerciements

Si vous utilisez le jeu de données CIFAR-100 dans vos travaux de recherche ou de développement, veuillez citer 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 l'ensemble de données CIFAR-100 en tant que ressource précieuse pour la communauté des chercheurs en apprentissage automatique et en vision par ordinateur. Pour plus d'informations sur l'ensemble de données CIFAR-100 et son créateur, visitez le site web de l'ensemble de données CIFAR-100.

FAQ

Qu'est-ce que l'ensemble de données CIFAR-100 et pourquoi est-il important ?

L'ensemble de données CIFAR-100 est une vaste collection de 60 000 images couleur 32x32 classées en 100 classes. Développé par l'Institut canadien de recherche avancée (CIFAR), il constitue un ensemble de données stimulant, idéal pour les tâches complexes d'apprentissage automatique et de vision par ordinateur. Son importance réside dans la diversité des classes et la petite taille des images, ce qui en fait une ressource précieuse pour former et tester des modèles d'apprentissage profond, tels que les réseaux neuronaux convolutionnels (CNN), à l'aide de cadres tels que Ultralytics YOLO .

Comment entraîner un modèle YOLO sur le jeu de données CIFAR-100 ?

Vous pouvez entraîner un modèle YOLO sur l'ensemble de données CIFAR-100 en utilisant les commandes Python ou CLI . Voici comment procéder :

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n-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 classify train data=cifar100 model=yolo11n-cls.pt epochs=100 imgsz=32

Pour une liste complète des arguments disponibles, veuillez vous référer à la page de formation au modèle.

Quelles sont les principales applications du jeu de données CIFAR-100 ?

L'ensemble de données CIFAR-100 est largement utilisé pour la formation et l'évaluation de modèles d'apprentissage profond pour la classification d'images. Son ensemble diversifié de 100 classes, regroupées en 20 catégories grossières, constitue un environnement stimulant pour tester des algorithmes tels que les réseaux neuronaux convolutifs (CNN), les machines à vecteurs de support (SVM) et diverses autres approches d'apprentissage automatique. Cet ensemble de données est une ressource clé pour la recherche et le développement dans les domaines de l'apprentissage automatique et de la vision par ordinateur.

Comment l'ensemble de données CIFAR-100 est-il structuré ?

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

1. Ensemble d'entraînement: Contient 50 000 images utilisées pour l'entraînement des modèles d'apprentissage automatique.
2. Ensemble de test: Il s'agit de 10 000 images utilisées pour tester et évaluer les modèles formés.

Chacune des 100 classes contient 600 images, dont 500 images pour la formation et 100 pour le test, ce qui en fait un outil particulièrement adapté à la recherche universitaire et industrielle rigoureuse.

Où puis-je trouver des exemples d'images et d'annotations de l'ensemble de données CIFAR-100 ?

L'ensemble de données CIFAR-100 comprend une variété d'images en couleur de divers objets, ce qui en fait un ensemble de données structuré pour les tâches de classification d'images. Vous pouvez consulter la page de documentation pour voir des exemples d'images et d'annotations. Ces exemples mettent en évidence la diversité et la complexité de l'ensemble de données, ce qui est important pour la formation de modèles de classification d'images robustes.

📅C réé il y a 1 an ✏️ Mis à jour il y a 2 mois

Commentaires