Link to this sectionDataset CIFAR-100#

Il dataset CIFAR-100 (Canadian Institute For Advanced Research) è un benchmark di classificazione di immagini composto da 60.000 immagini a colori 32x32 distribuite uniformemente su 100 classi a grana fine (600 immagini ciascuna), che a loro volta sono raggruppate in 20 superclassi grezze. Creato da Alex Krizhevsky, viene fornito con una suddivisione predefinita di 50.000 immagini di addestramento e 10.000 di test, rendendolo il fratello maggiore, più complesso e a grana più fine, del dataset CIFAR-10.

Link to this sectionCaratteristiche 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 sulla classificazione di immagini a grana fine e sul riconoscimento di oggetti.

Link to this sectionStruttura 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)

Link to this sectionApplicazioni#

CIFAR-100 è ampiamente utilizzato per addestrare e valutare modelli di classificazione di immagini, dalle classiche Reti Neurali Convoluzionali (CNN) e Macchine a Vettori di Supporto (SVM) alle moderne architetture profonde. Le sue 100 classi a grana fine e le dimensioni ridotte delle immagini lo rendono un benchmark impegnativo per la ricerca nel machine learning, il confronto di algoritmi e la sperimentazione nella computer vision.

Link to this sectionUtilizzo#

Addestra un modello YOLO su CIFAR-100 per 100 epoche con una dimensione dell'immagine di 32. Per l'elenco completo degli argomenti disponibili, consulta la pagina Addestramento e la guida all'attività di classificazione di 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="cifar100", epochs=100, imgsz=32)

Link to this sectionEsempi 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.

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 risorsa preziosa per la comunità di ricerca nel machine learning e nella 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 sectionA cosa serve il dataset CIFAR-100 nel machine learning?#

Il dataset CIFAR-100 è ampiamente utilizzato per addestrare e sottoporre a benchmark modelli di classificazione di immagini a grana fine e di riconoscimento oggetti. Contiene 60.000 immagini a colori 32x32 suddivise in 100 classi raggruppate in 20 superclassi, rendendolo un benchmark più impegnativo di CIFAR-10 per algoritmi come le Reti Neurali Convoluzionali (CNN) e le Macchine a Vettori di Supporto (SVM), e per valutare modelli di deep learning costruiti con Ultralytics YOLO.

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

Per addestrare un modello Ultralytics YOLO su CIFAR-100, utilizza i frammenti di codice riportati di seguito. Il dataset viene scaricato automaticamente al primo utilizzo. Per un elenco completo degli argomenti, consulta la pagina di 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 sectionQuante classi ha il dataset CIFAR-100?#

CIFAR-100 ha 100 classi a grana fine — 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 grezze (ad esempio, la superclasse alberi copre acero, quercia, palma, pino e salice). L'addestramento con data="cifar100" utilizza le 100 classi a grana fine.

Link to this sectionCome viene suddiviso il dataset CIFAR-100 in set di addestramento e di test?#

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.

Link to this sectionPosso utilizzare Ultralytics Platform per addestrare modelli sul dataset CIFAR-100?#

Sì. Ultralytics Platform ti consente di gestire i dataset, addestrare modelli di classificazione di immagini e distribuirli senza un ampio lavoro di programmazione. È un modo conveniente per eseguire esperimenti con CIFAR-100 nel cloud e puoi esplorare ulteriori opzioni nella nostra panoramica sui dataset di classificazione.