Link to this sectionDataset CIFAR-10#

Il dataset CIFAR-10 (Canadian Institute For Advanced Research) è una raccolta di immagini utilizzata ampiamente per algoritmi di machine learning e computer vision. È stato sviluppato dai ricercatori dell'istituto CIFAR e consiste in 60.000 immagini a colori 32x32 in 10 classi differenti.

Link to this sectionCaratteristiche principali#

• Il dataset CIFAR-10 consiste in 60.000 immagini, suddivise in 10 classi.
• Ogni classe contiene 6.000 immagini, suddivise in 5.000 per l'addestramento e 1.000 per il test.
• Le immagini sono a colori e hanno una dimensione di 32x32 pixel.
• Le 10 classi differenti rappresentano aeroplani, automobili, uccelli, gatti, cervi, cani, rane, cavalli, navi e camion.
• CIFAR-10 è comunemente usato per l'addestramento e il test nel campo del machine learning e della computer vision.

Link to this sectionStruttura del dataset#

Il dataset CIFAR-10 è suddiviso in due sottoinsiemi:

1. Training Set: Questo sottoinsieme contiene 50.000 immagini utilizzate per l'addestramento di modelli di machine learning.
2. Testing Set: Questo sottoinsieme consiste in 10.000 immagini utilizzate per testare e valutare i modelli addestrati.

Link to this sectionApplicazioni#

Il dataset CIFAR-10 è ampiamente utilizzato per addestrare e valutare modelli di deep learning in compiti di classificazione di immagini, come Convolutional Neural Networks (CNN), Support Vector Machines (SVM) e vari altri algoritmi di machine learning. La diversità del dataset in termini di classi e la presenza di immagini a colori lo rendono un dataset completo per la ricerca e lo sviluppo nel campo del machine learning e della computer vision.

Link to this sectionUtilizzo#

Per addestrare un modello YOLO sul dataset CIFAR-10 per 100 epochs con una dimensione dell'immagine di 32x32, puoi utilizzare i seguenti frammenti di codice. Per un elenco completo degli argomenti disponibili, fai riferimento alla pagina Training del modello.

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)

Link to this sectionImmagini campione e annotazioni#

Il dataset CIFAR-10 contiene immagini a colori di vari oggetti, fornendo un dataset ben strutturato per compiti di classificazione di immagini. Ecco alcuni esempi di immagini dal dataset:

L'esempio mostra la varietà e la complessità degli oggetti nel dataset CIFAR-10, evidenziando l'importanza di un dataset diversificato per l'addestramento di modelli di classificazione di immagini robusti.

Link to this sectionCitazioni e ringraziamenti#

Se utilizzi il dataset CIFAR-10 nel tuo lavoro di ricerca o sviluppo, ti preghiamo di citare il seguente documento:

@TECHREPORT{Krizhevsky09learningmultiple,
            author={Alex Krizhevsky},
            title={Learning multiple layers of features from tiny images},
            institution={},
            year={2009}
}

Vorremmo ringraziare Alex Krizhevsky per aver creato e mantenuto il dataset CIFAR-10 come una risorsa preziosa per la comunità di ricerca sul machine learning e la computer vision. Per ulteriori informazioni sul dataset CIFAR-10 e sul suo creatore, visita il sito web del dataset CIFAR-10.

Link to this sectionFAQ#

Link to this sectionCome posso addestrare un modello YOLO sul dataset CIFAR-10?#

Per addestrare un modello YOLO sul dataset CIFAR-10 usando Ultralytics, puoi seguire gli esempi forniti sia per Python che per CLI. Ecco un esempio di base per addestrare il tuo modello per 100 epoche con una dimensione dell'immagine di 32x32 pixel:

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)

Per ulteriori dettagli, fai riferimento alla pagina Training del modello.

Link to this sectionQuali sono le caratteristiche principali del dataset CIFAR-10?#

Il dataset CIFAR-10 consiste in 60.000 immagini a colori suddivise in 10 classi. Ogni classe contiene 6.000 immagini, con 5.000 per l'addestramento e 1.000 per il test. Le immagini hanno dimensioni di 32x32 pixel e variano tra le seguenti categorie:

• Aeroplani
• Automobili
• Uccelli
• Gatti
• Cervi
• Cani
• Rane
• Cavalli
• Navi
• Camion

Questo dataset diversificato è essenziale per l'addestramento di modelli di classificazione di immagini in campi come il machine learning e la computer vision. Per ulteriori informazioni, visita le sezioni CIFAR-10 su struttura del dataset e applicazioni.

Link to this sectionPerché usare il dataset CIFAR-10 per compiti di classificazione di immagini?#

Il dataset CIFAR-10 è un eccellente benchmark per la classificazione di immagini grazie alla sua diversità e struttura. Contiene un mix bilanciato di 60.000 immagini etichettate in 10 categorie diverse, che aiuta nell'addestramento di modelli robusti e generalizzati. È ampiamente utilizzato per valutare modelli di deep learning, incluse le Neural Networks Convoluzionali (CNN) e altri algoritmi di machine learning. Il dataset è relativamente piccolo, il che lo rende adatto per sperimentazioni rapide e lo sviluppo di algoritmi. Esplora le sue numerose applicazioni nella sezione applicazioni.

Link to this sectionCom'è strutturato il dataset CIFAR-10?#

Il dataset CIFAR-10 è strutturato in due sottoinsiemi principali:

1. Training Set: Contiene 50.000 immagini utilizzate per l'addestramento di modelli di machine learning.
2. Testing Set: Consiste in 10.000 immagini per il test e la valutazione dei modelli addestrati.

Ogni sottoinsieme comprende immagini categorizzate in 10 classi, con le relative annotazioni prontamente disponibili per l'addestramento e la valutazione del modello. Per informazioni più dettagliate, fai riferimento alla sezione struttura del dataset.

Link to this sectionCome posso citare il dataset CIFAR-10 nella mia ricerca?#

Se utilizzi il dataset CIFAR-10 nei tuoi progetti di ricerca o sviluppo, assicurati di citare il seguente documento:

@TECHREPORT{Krizhevsky09learningmultiple,
            author={Alex Krizhevsky},
            title={Learning multiple layers of features from tiny images},
            institution={},
            year={2009}
}

Riconoscere i creatori del dataset aiuta a sostenere la ricerca e lo sviluppo continui nel settore. Per ulteriori dettagli, consulta la sezione citazioni e ringraziamenti.

Link to this sectionQuali sono alcuni esempi pratici dell'utilizzo del dataset CIFAR-10?#

Il dataset CIFAR-10 è spesso usato per addestrare modelli di classificazione di immagini, come le reti neurali convoluzionali (CNN) e le macchine a vettori di supporto (SVM). Questi modelli possono essere impiegati in vari compiti di computer vision, tra cui object detection, image recognition e tagging automatizzato. Per vedere alcuni esempi pratici, controlla i frammenti di codice nella sezione utilizzo.