Dataset CIFAR-100#
Il set di dati CIFAR-100 (Canadian Institute For Advanced Research) è un benchmark di image classification di 60.000 immagini a colori 32x32 distribuite equamente su 100 classi dettagliate (600 immagini ciascuna), che a loro volta sono raggruppate in 20 superclassi generali. Creato da Alex Krizhevsky, viene fornito con una suddivisione predefinita di 50.000 immagini di addestramento e 10.000 di test, rendendolo il fratello più difficile e dettagliato del set di dati CIFAR-10.
Esplora CIFAR-100 sulla piattaforma Ultralytics per visualizzare i campioni in anteprima, ispezionare le statistiche del dataset e clonarlo per l'addestramento.
Caratteristiche principali#
- CIFAR-100 contiene 60.000 immagini a colori di 32x32 pixel, suddivise equamente in 100 classi.
- Ogni classe contiene esattamente 600 immagini (500 per l'addestramento e 100 per il test), rendendo il dataset perfettamente bilanciato.
- Le 100 classi a grana fine sono raggruppate in 20 superclassi grezze per una classificazione di livello superiore.
- Il dataset viene fornito con una suddivisione predefinita tra addestramento e test, quindi non è necessaria alcuna divisione manuale o automatica.
- CIFAR-100 è un benchmark standard per la ricerca sull'image classification dettagliata e sul riconoscimento degli oggetti.
Struttura del dataset#
CIFAR-100 viene fornito con una suddivisione ufficiale e predefinita, quindi non è necessaria alcuna partizione automatica o manuale:
- Classi: 100 classi a grana fine, raggruppate in 20 superclassi grezze
- Immagini totali: 60.000 (32x32 a colori)
- Set di addestramento: 50.000 immagini (500 per classe)
- Set di test: 10.000 immagini (100 per classe)
CIFAR-100 non ha una cartella di validazione separata, quindi per impostazione predefinita Ultralytics utilizza il set di test di 10.000 immagini come split di validazione durante l'addestramento. L'addestramento con data="cifar100" apprende le 100 classi dettagliate.
Applicazioni#
CIFAR-100 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 100 classi dettagliate e le dimensioni ridotte delle immagini lo rendono un benchmark impegnativo per la ricerca sul machine learning, il confronto di algoritmi e la sperimentazione di computer vision.
Utilizzo#
Addestra un modello YOLO su CIFAR-100 per 100 epochs con una dimensione immagine di 32. Per l'elenco completo degli argomenti disponibili, consulta la pagina di Training e la guida dell'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="cifar100", epochs=100, imgsz=32)Esempi di immagini e annotazioni#
Esempi di immagini dal dataset CIFAR-100:
Gli esempi mostrano la diversità degli oggetti nel dataset CIFAR-100, sottolineando il valore di un dataset variegato per l'addestramento di modelli di classificazione di immagini robusti.
Citazioni 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 set di dati CIFAR-100 come risorsa preziosa per la comunità di ricerca di machine learning e computer vision. Per ulteriori informazioni sul set di dati CIFAR-100 e sul suo creatore, visita il sito web del set di dati CIFAR-100.
FAQ#
Il set di dati CIFAR-100 è ampiamente utilizzato per addestrare e confrontare modelli di image classification dettagliata e di riconoscimento degli oggetti. Contiene 60.000 immagini a colori 32x32 distribuite su 100 classi raggruppate in 20 superclassi, rendendolo un benchmark più impegnativo rispetto a CIFAR-10 per algoritmi come le Convolutional Neural Networks (CNN) e le Support Vector Machines (SVM), e per la valutazione di modelli di deep learning sviluppati con Ultralytics YOLO.
Per addestrare un modello Ultralytics YOLO su CIFAR-100, 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 di 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="cifar100", epochs=100, imgsz=32)CIFAR-100 ha 100 classi dettagliate — come mela, delfino, albero di acero, motocicletta e razzo — con esattamente 600 immagini ciascuna, per un totale di 60.000 immagini. Queste 100 classi sono inoltre raggruppate in 20 superclassi generali (ad esempio, la superclasse degli alberi copre acero, quercia, palma, pino e salice). L'addestramento con
data="cifar100"utilizza le 100 classi dettagliate.CIFAR-100 viene fornito con una suddivisione predefinita di 50.000 immagini di addestramento e 10.000 immagini di test, con esattamente 500 immagini di addestramento e 100 di test per classe. A differenza dei dataset di classificazione basati su cartelle che Ultralytics suddivide automaticamente, la partizione ufficiale di CIFAR-100 viene utilizzata così com'è, e il set di test funge da split 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 codice complesso. È un modo comodo per eseguire esperimenti con CIFAR-100 nel cloud, e puoi esplorare ulteriori opzioni nella nostra panoramica dei set di dati di classificazione.