Link to this sectionDataset CIFAR-100#

Il dataset CIFAR-100 (Canadian Institute For Advanced Research) è un'estensione significativa del dataset CIFAR-10, composto da 60.000 immagini a colori 32x32 suddivise in 100 classi diverse. È stato sviluppato dai ricercatori dell'istituto CIFAR e offre un dataset più impegnativo per attività di apprendimento automatico e computer vision più complesse.

Link to this sectionCaratteristiche principali#

• Il dataset CIFAR-100 consiste in 60.000 immagini, suddivise in 100 classi.
• Ogni classe contiene 600 immagini, suddivise in 500 per l'addestramento e 100 per il test.
• Le immagini sono a colori e di dimensione 32x32 pixel.
• Le 100 classi diverse sono raggruppate in 20 macro-categorie per una classificazione di livello superiore.
• CIFAR-100 è comunemente utilizzato per l'addestramento e il test nel campo dell'apprendimento automatico e della computer vision.

Link to this sectionStruttura del dataset#

Il dataset CIFAR-100 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-100 è ampiamente utilizzato per addestrare e valutare modelli di deep learning in attività di classificazione delle immagini, come le Reti Neurali Convoluzionali (CNN), le Macchine a Vettori di Supporto (SVM) e vari altri algoritmi di apprendimento automatico. La diversità del dataset in termini di classi e la presenza di immagini a colori lo rendono un dataset più impegnativo e completo per la ricerca e lo sviluppo nel campo dell'apprendimento automatico e della computer vision.

Link to this sectionUtilizzo#

Per addestrare un modello YOLO sul dataset CIFAR-100 per 100 epoche 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 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="cifar100", epochs=100, imgsz=32)

Link to this sectionEsempi di immagini e annotazioni#

Il dataset CIFAR-100 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-100, 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-100 nel tuo lavoro di ricerca o sviluppo, ti preghiamo di citare 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-100 come una risorsa preziosa per la comunità di ricerca sull'apprendimento automatico e la computer vision. Per ulteriori informazioni sul dataset CIFAR-100 e sul suo creatore, visita il sito web del dataset CIFAR-100.

Link to this sectionFAQ#

Link to this sectionChe cos'è il dataset CIFAR-100 e perché è importante?#

Il dataset CIFAR-100 è un'ampia collezione di 60.000 immagini a colori 32x32 classificate in 100 classi. Sviluppato dal Canadian Institute For Advanced Research (CIFAR), offre un dataset impegnativo, ideale per compiti complessi di machine learning e computer vision. La sua importanza risiede nella diversità delle classi e nelle dimensioni ridotte delle immagini, rendendolo una risorsa preziosa per addestrare e testare modelli di deep learning, come le Convolutional Neural Networks (CNN), utilizzando framework come Ultralytics YOLO.

Link to this sectionCome posso addestrare un modello YOLO sul dataset CIFAR-100?#

Puoi addestrare un modello YOLO sul dataset CIFAR-100 utilizzando comandi Python o CLI. Ecco come fare:

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="cifar100", epochs=100, imgsz=32)

Per un elenco completo degli argomenti disponibili, fai riferimento alla pagina Addestramento del modello.

Link to this sectionQuali sono le principali applicazioni del dataset CIFAR-100?#

Il dataset CIFAR-100 è ampiamente utilizzato nell'addestramento e nella valutazione di modelli di deep learning per la classificazione delle immagini. Il suo variegato set di 100 classi, raggruppate in 20 categorie generali, fornisce un ambiente stimolante per testare algoritmi come le Convolutional Neural Networks (CNN), le Support Vector Machines (SVM) e vari altri approcci di machine learning. Questo dataset è una risorsa chiave nella ricerca e nello sviluppo nei campi del machine learning e della computer vision, in particolare per i compiti di object recognition e classificazione.

Link to this sectionCome è strutturato il dataset CIFAR-100?#

Il dataset CIFAR-100 è suddiviso in due sottoinsiemi principali:

1. Training Set: Contiene 50.000 immagini utilizzate per addestrare modelli di machine learning.
2. Set di Test: Consiste di 10.000 immagini utilizzate per testare e confrontare i modelli addestrati.

Ognuna delle 100 classi contiene 600 immagini, con 500 immagini per l'addestramento e 100 per il test, rendendolo particolarmente adatto per la ricerca accademica e industriale rigorosa.

Link to this sectionDove posso trovare immagini campione e annotazioni dal dataset CIFAR-100?#

Il dataset CIFAR-100 include una varietà di immagini a colori di vari oggetti, rendendolo un dataset strutturato per compiti di classificazione delle immagini. Puoi consultare la pagina della documentazione per vedere immagini campione e annotazioni. Questi esempi evidenziano la diversità e la complessità del dataset, importanti per addestrare modelli di classificazione delle immagini robusti. Per altri dataset adatti ai compiti di classificazione, dai un'occhiata alla panoramica sui dataset di classificazione di Ultralytics.