Link to this sectionDataset CIFAR-10#

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

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 testing.
• Le immagini sono a colori e di dimensione 32x32 pixel.
• Le 10 diverse classi rappresentano aerei, auto, uccelli, gatti, cervi, cani, rane, cavalli, navi e camion.
• CIFAR-10 è comunemente usato per l'addestramento e il testing 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 addestrare modelli di machine learning.
2. Testing Set: questo sottoinsieme consiste in 10.000 immagini utilizzate per testare e valutare le prestazioni dei modelli addestrati.

Link to this sectionApplicazioni#

Il dataset CIFAR-10 è ampiamente utilizzato per addestrare e valutare modelli di deep learning in attività di classificazione delle immagini, come Convolutional Neural Networks (CNNs), Support Vector Machines (SVMs) 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 ben bilanciato 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 snippet di codice. Per un elenco completo degli argomenti disponibili, fai riferimento alla pagina di 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 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:

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 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 di 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 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 di Training del modello.

Link to this sectionQuali sono le caratteristiche chiave 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 testing. Le immagini hanno una dimensione di 32x32 pixel e variano tra le seguenti categorie:

• Aerei
• Auto
• Uccelli
• Gatti
• Cervi
• Cani
• Rane
• Cavalli
• Navi
• Camion

Questo dataset diversificato è essenziale per addestrare modelli di classificazione delle immagini in campi come il machine learning e la computer vision. Per ulteriori informazioni, visita le sezioni di CIFAR-10 su dataset structure e applications.

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

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

Link to this sectionCome 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 addestrare modelli di machine learning.
2. Testing Set: Consiste in 10.000 immagini per testare e benchmarkare i 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 dataset structure.

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 articolo:

@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, vedi la sezione citations and acknowledgments.

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

Il dataset CIFAR-10 è spesso utilizzato per addestrare modelli di classificazione delle immagini, come Convolutional Neural Networks (CNNs) e Support Vector Machines (SVMs). Questi modelli possono essere impiegati in varie attività di computer vision, tra cui object detection, image recognition e tagging automatizzato. Per vedere alcuni esempi pratici, controlla gli snippet di codice nella sezione usage.