Link to this sectionDataset CIFAR-10#

Il dataset CIFAR-10 (Canadian Institute For Advanced Research) è un benchmark classico di classificazione delle immagini composto da 60.000 immagini a colori 32x32 suddivise equamente in 10 classi: aereo, automobile, uccello, gatto, cervo, cane, rana, cavallo, nave e camion. Viene fornito con una suddivisione predefinita di 50.000 immagini di addestramento e 10.000 di test (6.000 per classe), rendendolo un punto di partenza leggero e ben bilanciato per l'addestramento e il benchmarking di modelli di classificazione. Per una sfida più dettagliata, consulta il relativo dataset CIFAR-100.

Link to this sectionCaratteristiche principali#

• CIFAR-10 contiene 60.000 immagini a colori di 32x32 pixel, divise equamente in 10 classi.
• Ogni classe contiene esattamente 6.000 immagini (5.000 per l'addestramento e 1.000 per il test), quindi il dataset è perfettamente bilanciato.
• Le 10 classi sono aereo, automobile, uccello, gatto, cervo, cane, rana, cavallo, nave e camion.
• Il dataset viene fornito con una suddivisione predefinita tra addestramento e test, quindi non è necessaria alcuna divisione manuale o automatica.
• CIFAR-10 è un benchmark standard per la ricerca sulla classificazione delle immagini e sul riconoscimento degli oggetti.

Link to this sectionStruttura del dataset#

CIFAR-10 viene fornito con una suddivisione ufficiale predefinita, quindi non è necessaria alcuna suddivisione automatica o manuale:

• Classi: 10 (aereo, automobile, uccello, gatto, cervo, cane, rana, cavallo, nave, camion)
• Immagini totali: 60.000 (32x32 a colori)
• Set di addestramento: 50.000 immagini (5.000 per classe)
• Set di test: 10.000 immagini (1.000 per classe)

Link to this sectionApplicazioni#

CIFAR-10 è ampiamente utilizzato per addestrare e valutare modelli di classificazione delle immagini, dalle classiche Reti Neurali Convoluzionali (CNN) e Macchine a Vettori di Supporto (SVM) alle moderne architetture profonde. Le sue dimensioni ridotte delle immagini e le classi bilanciate lo rendono ideale per una rapida sperimentazione, il benchmarking di nuovi algoritmi e l'insegnamento dei fondamenti di computer vision.

Link to this sectionUtilizzo#

Addestra un modello YOLO su CIFAR-10 per 100 epoche con una dimensione dell'immagine di 32. Per l'elenco completo degli argomenti disponibili, consulta la pagina Addestramento e la guida all'attività di classificazione delle immagini.

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 sectionEsempi di immagini e annotazioni#

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

I campioni mostrano la diversità degli oggetti nel dataset CIFAR-10, sottolineando il valore di un dataset vario per l'addestramento di modelli di classificazione delle immagini robusti.

Link to this sectionCitazioni e riconoscimenti#

Se utilizzi il dataset CIFAR-10 nel tuo lavoro di ricerca o sviluppo, cita il seguente articolo:

@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 su machine learning e 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 sectionA cosa serve il dataset CIFAR-10 nel machine learning?#

Il dataset CIFAR-10 è ampiamente utilizzato per addestrare e confrontare modelli di classificazione delle immagini e di riconoscimento degli oggetti. Contiene 60.000 immagini a colori 32x32 distribuite equamente in 10 classi; le sue dimensioni ridotte e le classi bilanciate lo rendono un benchmark veloce e affidabile per algoritmi come le Reti Neurali Convoluzionali (CNN) e le Macchine a Vettori di Supporto (SVM).

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

Per addestrare un modello Ultralytics YOLO su CIFAR-10, utilizza i frammenti di codice sottostanti. Il dataset viene scaricato automaticamente al primo utilizzo. Per un elenco completo degli argomenti, consulta la pagina di Addestramento 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 sectionQuante classi ha il dataset CIFAR-10?#

CIFAR-10 ha 10 classi (aereo, automobile, uccello, gatto, cervo, cane, rana, cavallo, nave e camion), con esattamente 6.000 immagini ciascuna, per un totale di 60.000 immagini. Le classi sono mutuamente esclusive e perfettamente bilanciate, senza sovrapposizioni tra le categorie.

Link to this sectionCome viene suddiviso il dataset CIFAR-10 in set di addestramento e di test?#

CIFAR-10 viene fornito con una suddivisione predefinita di 50.000 immagini di addestramento e 10.000 immagini di test, con esattamente 5.000 immagini di addestramento e 1.000 di test per classe. A differenza dei dataset di classificazione basati su cartelle che Ultralytics suddivide automaticamente, la partizione ufficiale di CIFAR-10 viene utilizzata così com'è e il set di test funge da suddivisione di validazione durante l'addestramento per impostazione predefinita.

Link to this sectionPosso utilizzare Ultralytics Platform per addestrare modelli sul dataset CIFAR-10?#

Sì. Ultralytics Platform ti consente di gestire i dataset, addestrare modelli di classificazione delle immagini e distribuirli senza un'eccessiva scrittura di codice. È un modo conveniente per eseguire esperimenti CIFAR-10 nel cloud; puoi esplorare ulteriori opzioni nella nostra panoramica sui dataset di classificazione.