Dataset CIFAR-10#
Il set di dati CIFAR-10 (Canadian Institute For Advanced Research) è un classico benchmark di image classification di 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 set di dati CIFAR-100.
Esplora CIFAR-10 su Ultralytics Platform per visualizzare campioni in anteprima, ispezionare le statistiche del dataset e clonarlo per l'addestramento.
Caratteristiche 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 sull'image classification e sul riconoscimento degli oggetti.
Struttura 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)
CIFAR-10 non ha una cartella di validazione separata, quindi Ultralytics utilizza il set di test da 10.000 immagini come suddivisione di validazione durante l'addestramento per impostazione predefinita.
Applicazioni#
CIFAR-10 è ampiamente utilizzato per addestrare e valutare modelli di image classification, dalle classiche Convolutional Neural Networks (CNN) e Support Vector Machines (SVM) 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 di computer vision.
Utilizzo#
Addestra un modello YOLO su CIFAR-10 per 100 epochs con una dimensione dell'immagine pari a 32. Per l'elenco completo degli argomenti disponibili, consulta la pagina Training e la guida all'attività di image classification.
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)Esempi di immagini e annotazioni#
Il set di dati CIFAR-10 contiene immagini a colori di vari oggetti, fornendo un set di dati ben strutturato per attività di image classification. Ecco alcuni esempi di immagini dal set di dati:
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.
Citazioni 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 set di dati CIFAR-10 come risorsa preziosa per la comunità di ricerca di machine learning e computer vision. Per ulteriori informazioni sul set di dati CIFAR-10 e sul suo creatore, visita il CIFAR-10 dataset website.
FAQ#
Il set di dati CIFAR-10 è ampiamente utilizzato per addestrare e confrontare modelli di image classification e riconoscimento di oggetti. Contiene 60.000 immagini a colori 32x32 distribuite equamente in 10 classi, e le sue dimensioni ridotte e classi bilanciate lo rendono un benchmark rapido e affidabile per algoritmi come Convolutional Neural Networks (CNN) e Support Vector Machines (SVM).
Per addestrare un modello Ultralytics YOLO su CIFAR-10, utilizza i frammenti di codice sottostanti. Il set di dati viene scaricato automaticamente al primo utilizzo. Per un elenco completo degli argomenti, consulta la pagina Training 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 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.
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.
Sì. Ultralytics Platform ti consente di gestire set di dati, addestrare modelli di image classification e distribuirli senza dover scrivere molto codice. È un modo conveniente per eseguire esperimenti CIFAR-10 nel cloud e puoi esplorare ulteriori opzioni nella nostra classification datasets overview.