Dataset CIFAR-10#
Il dataset CIFAR-10 (Istituto canadese per la ricerca avanzata) è un benchmark classico per la classificazione delle immagini composto da 60.000 immagini a colori da 32x32 pixel, suddivise equamente in 10 classi: aereo, automobile, uccello, gatto, cervo, cane, rana, cavallo, nave e camion. Include una suddivisione predefinita con 50.000 immagini di addestramento e 10.000 immagini di test (6.000 per classe), che lo rende un punto di partenza leggero e ben bilanciato per l'addestramento e il benchmarking dei modelli di classificazione. Per una sfida più dettagliata, consulta il dataset CIFAR-100 correlato.
Esplora CIFAR-10 su Ultralytics Platform per visualizzare in anteprima gli esempi, esaminare le statistiche del dataset e clonarlo per l'addestramento.
Funzionalità principali#
- CIFAR-10 contiene 60.000 immagini a colori da 32x32 pixel, suddivise 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 include una suddivisione predefinita tra addestramento e test, quindi non è necessaria alcuna suddivisione manuale o automatica.
- CIFAR-10 è un benchmark standard per la ricerca sulla classificazione delle immagini e sul riconoscimento degli oggetti.
Struttura del dataset#
CIFAR-10 include una suddivisione ufficiale e predefinita, quindi non è necessario effettuare alcuna partizione automatica o manuale:
- Classi: 10 (aereo, automobile, uccello, gatto, cervo, cane, rana, cavallo, nave, camion)
- Immagini totali: 60.000 (a colori, 32x32)
- Set di addestramento: 50.000 immagini (5.000 per classe)
- Set di test: 10.000 immagini (1.000 per classe)
CIFAR-10 non dispone di una cartella di validazione separata, quindi per impostazione predefinita Ultralytics utilizza il set di test composto da 10.000 immagini come suddivisione di validazione durante l'addestramento.
Applicazioni#
CIFAR-10 è ampiamente utilizzato per addestrare e valutare modelli di classificazione delle immagini, dalle classiche reti neurali convoluzionali (CNNs) e macchine a vettori di supporto (SVMs) alle moderne architetture profonde. Le sue dimensioni ridotte e le classi bilanciate lo rendono ideale per la sperimentazione rapida, il benchmarking di nuovi algoritmi e l'insegnamento dei fondamenti della visione artificiale.
Utilizzo#
Addestra un modello YOLO su CIFAR-10 per 100 epoche con una dimensione delle immagini pari a 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)Immagini ed esempi di annotazioni#
Il dataset CIFAR-10 contiene immagini a colori di vari oggetti e fornisce un dataset ben strutturato per le attività di classificazione delle immagini. Ecco alcuni esempi di immagini del dataset:
Gli esempi mostrano la varietà degli oggetti presenti nel dataset CIFAR-10, sottolineando il valore di un dataset variegato per l'addestramento di modelli robusti di classificazione delle immagini.
Citazioni e ringraziamenti#
Se utilizzi il dataset CIFAR-10 nelle tue attività 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}
}Desideriamo ringraziare Alex Krizhevsky per aver creato e mantenuto il dataset CIFAR-10 come risorsa preziosa per la comunità di ricerca nel machine learning e nella visione artificiale. Per ulteriori informazioni sul dataset CIFAR-10 e sul suo creatore, visita il sito web del dataset CIFAR-10.
FAQ#
Il dataset CIFAR-10 è ampiamente utilizzato per addestrare e sottoporre a benchmark modelli di classificazione delle immagini e riconoscimento degli oggetti. Contiene 60.000 immagini a colori da 32x32 pixel, distribuite equamente in 10 classi, e le sue dimensioni ridotte e le classi bilanciate lo rendono un benchmark rapido e affidabile per algoritmi come le reti neurali convoluzionali (CNNs) e le macchine a vettori di supporto (SVMs).
Per addestrare un modello Ultralytics YOLO su CIFAR-10, utilizza gli snippet di codice riportati di seguito. Il dataset viene scaricato automaticamente al primo utilizzo. Per l'elenco completo degli argomenti, consulta la pagina Addestramento del modello.
Esempio di addestramentofrom 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)CIFAR-10 contiene 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.
CIFAR-10 include una suddivisione predefinita con 50.000 immagini di addestramento e 10.000 immagini di test, con esattamente 5.000 immagini di addestramento e 1.000 immagini 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.
Sì. Ultralytics Platform ti consente di gestire i dataset, addestrare modelli di classificazione delle immagini e distribuirli senza dover scrivere molto codice. È un modo pratico per eseguire esperimenti con CIFAR-10 nel cloud e puoi esplorare altre opzioni nella nostra panoramica dei dataset di classificazione.