Dataset CIFAR-100#
Il dataset CIFAR-100 (Istituto canadese per la ricerca avanzata) è un benchmark di classificazione delle immagini con 60.000 immagini a colori da 32x32 pixel distribuite equamente in 100 classi granulari (600 immagini ciascuna), a loro volta raggruppate in 20 super-classi generali. Creato da Alex Krizhevsky, include una suddivisione predefinita in 50.000 immagini di addestramento e 10.000 di test, ed è la versione più difficile e granulare del dataset CIFAR-10.
Esplora CIFAR-100 su Ultralytics Platform per visualizzare esempi, esaminare le statistiche del dataset e clonarlo per l’addestramento.
Guarda: Come addestrare un modello di Classificazione delle immagini su CIFAR-100 usando Ultralytics YOLO
Funzionalità principali#
- CIFAR-100 contiene 60.000 immagini a colori da 32x32 pixel, suddivise equamente in 100 classi.
- Ogni classe contiene esattamente 600 immagini — 500 per l’addestramento e 100 per il test — quindi il dataset è perfettamente bilanciato.
- Le 100 classi granulari sono raggruppate in 20 super-classi generali per una classificazione di livello superiore.
- Il dataset include una suddivisione predefinita tra addestramento e test, quindi non è necessaria alcuna suddivisione manuale o automatica.
- CIFAR-100 è un benchmark standard per la ricerca sulla classificazione delle immagini granulare e sul riconoscimento degli oggetti.
Struttura del dataset#
CIFAR-100 include una suddivisione ufficiale predefinita, quindi non è necessaria alcuna suddivisione automatica o manuale:
- Classi: 100 classi granulari, raggruppate in 20 super-classi generali
- Immagini totali: 60.000 (a colori, 32x32)
- 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 convalida separata, quindi per impostazione predefinita Ultralytics usa il set di test da 10.000 immagini come set di convalida durante l’addestramento. L’addestramento con data="cifar100" apprende le 100 classi granulari.
Applicazioni#
CIFAR-100 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 100 classi dettagliate e le immagini di piccole dimensioni lo rendono un benchmark impegnativo per la ricerca sul machine learning, il confronto tra algoritmi e la sperimentazione nella visione artificiale.
Utilizzo#
Addestra un modello YOLO su CIFAR-100 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
# Carica un modello
model = YOLO("yolo26n-cls.pt") # carica un modello preaddestrato (consigliato per l'addestramento)
# Addestra il modello
results = model.train(data="cifar100", epochs=100, imgsz=32)Immagini di esempio e annotazioni#
Esempi di immagini dal dataset CIFAR-100:
Gli esempi mostrano la varietà degli oggetti nel dataset CIFAR-100 e sottolineano l'importanza di un dataset variegato per addestrare modelli robusti di classificazione delle immagini.
Citazioni e ringraziamenti#
Se utilizzi il dataset CIFAR-100 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}
}Desideriamo ringraziare Alex Krizhevsky per aver creato e mantenuto il dataset CIFAR-100, una risorsa preziosa per la comunità di ricerca sul machine learning e sulla visione artificiale. Per ulteriori informazioni sul dataset CIFAR-100 e sul suo creatore, visita il sito web del dataset CIFAR-100.
Domande frequenti#
Il dataset CIFAR-100 è ampiamente utilizzato per addestrare e valutare tramite benchmark modelli di classificazione delle immagini dettagliata e di riconoscimento degli oggetti. Contiene 60.000 immagini a colori da 32x32 suddivise in 100 classi, raggruppate in 20 superclassi, e costituisce un benchmark più impegnativo di CIFAR-10 per algoritmi come le reti neurali convoluzionali (CNNs) e le macchine a vettori di supporto (SVMs), nonché per valutare modelli di deep learning realizzati con Ultralytics YOLO.
Per addestrare un modello Ultralytics YOLO su CIFAR-100, usa gli snippet di codice qui sotto. 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 # Carica un modello model = YOLO("yolo26n-cls.pt") # carica un modello preaddestrato (consigliato per l'addestramento) # Addestra il modello results = model.train(data="cifar100", epochs=100, imgsz=32)CIFAR-100 contiene 100 classi dettagliate — come mela, delfino, 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 generiche (per esempio, la superclasse degli alberi include acero, quercia, palma, pino e salice). L'addestramento con
data="cifar100"utilizza le 100 classi dettagliate.CIFAR-100 include una suddivisione predefinita di 50.000 immagini di addestramento e 10.000 immagini di test, con esattamente 500 immagini di addestramento e 100 immagini 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, per impostazione predefinita, durante l'addestramento il set di test funge da set di convalida.
Sì. Ultralytics Platform ti consente di gestire i dataset, addestrare modelli di classificazione delle immagini e distribuirli senza scrivere molto codice. È un modo pratico per eseguire esperimenti con CIFAR-100 nel cloud; puoi scoprire altre opzioni nella nostra panoramica dei dataset di classificazione.