CIFAR-10 データセット

Q: How is the CIFAR-10 dataset structured?

CIFAR-10データセットは2つのサブセットに分かれている：各サブセットは10クラスに分類された画像で構成され、そのアノテーションはモデルの学習と評価にすぐに利用できる。より詳細な情報については、データセットの構造のセクションを参照してください。

Q: How can I cite the CIFAR-10 dataset in my research?

研究開発プロジェクトでCIFAR-10データセットを使用する場合は、必ず以下の論文を引用してください：データセットの作成者に謝意を示すことで、この分野の継続的な研究開発を支援することができます。詳細は、引用と謝辞のセクションをご覧ください。

CIFAR-10（CanadianInstitute For Advanced Research）データセットは、機械学習やコンピュータビジョンのアルゴリズムに広く使われている画像のコレクションである。CIFAR研究所の研究者によって開発されたもので、10種類のクラスからなる60,000枚の32x32カラー画像から構成されている。

見るんだ： を訓練する方法画像分類 CIFAR-10データセットを使用したモデルUltralytics YOLO11

主な特徴

CIFAR-10データセットは60,000枚の画像から構成され、10クラスに分類されている。
各クラスには6,000枚の画像が含まれ、トレーニング用に5,000枚、テスト用に1,000枚に分けられる。
画像はカラーで、サイズは32x32ピクセル。
10種類のクラスは、飛行機、車、鳥、猫、鹿、犬、カエル、馬、船、トラックを表している。
CIFAR-10は、機械学習やコンピュータビジョンの分野でのトレーニングやテストによく使用される。

データセット構造

CIFAR-10データセットは2つのサブセットに分かれている：

トレーニングセット：このサブセットには、機械学習モデルの学習に使用される50,000枚の画像が含まれている。
テストセット：このサブセットは、学習済みモデルのテストとベンチマークに使用される10,000枚の画像で構成される。

アプリケーション

CIFAR-10データセットは、畳み込みニューラルネットワーク(CNN)、サポートベクターマシン(SVM)、その他様々な機械学習アルゴリズムなど、画像分類タスクにおけるディープラーニングモデルの学習や評価に広く利用されています。このデータセットのクラスの多様性とカラー画像の存在により、機械学習とコンピュータビジョンの分野における研究開発のための充実したデータセットとなっています。

使用方法

CIFAR-10データセットのYOLO モデルを、画像サイズ32x32で100エポック学習させるには、以下のコード・スニペットを使用します。利用可能な引数の包括的なリストについては、モデルのトレーニングページを参照してください。

列車の例

PythonCLI

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n-cls.pt")  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data="cifar10", epochs=100, imgsz=32)

# Start training from a pretrained *.pt model
yolo classify train data=cifar10 model=yolo11n-cls.pt epochs=100 imgsz=32

サンプル画像と注釈

CIFAR-10データセットには様々な物体のカラー画像が含まれており、画像分類タスクに適したデータセットとなっている。以下に、このデータセットに含まれる画像の例を示します：

データセットサンプル画像

この例は、CIFAR-10データセットに含まれるオブジェクトの多様性と複雑性を示しており、ロバストな画像分類モデルを学習するための多様なデータセットの重要性を強調している。

引用と謝辞

CIFAR-10データセットを研究開発で使用する場合は、以下の論文を引用してください：

ビブテックス

@TECHREPORT{Krizhevsky09learningmultiple,
            author={Alex Krizhevsky},
            title={Learning multiple layers of features from tiny images},
            institution={},
            year={2009}
}

機械学習とコンピュータビジョンの研究コミュニティにとって貴重なリソースであるCIFAR-10データセットを作成し、維持しているAlex Krizhevsky氏に謝意を表します。CIFAR-10データセットとその作成者についての詳細は、CIFAR-10データセットのウェブサイトをご覧ください。

よくあるご質問

CIFAR-10データセットでYOLO モデルをトレーニングするには？

Ultralytics を使って CIFAR-10 データセットでYOLO モデルを学習するには、Python とCLI の両方で提供されている例に従ってください。以下は、画像サイズ 32x32 ピクセルのモデルを 100エポックで学習する基本的な例です：

例

PythonCLI

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n-cls.pt")  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data="cifar10", epochs=100, imgsz=32)

# Start training from a pretrained *.pt model
yolo classify train data=cifar10 model=yolo11n-cls.pt epochs=100 imgsz=32

詳細については、モデルのトレーニングページを参照してください。

CIFAR-10データセットの主な特徴は？

CIFAR-10データセットは60,000枚のカラー画像を10のクラスに分類したものである。各クラスには6,000枚の画像が含まれ、5,000枚がトレーニング用、1,000枚がテスト用である。画像のサイズは32x32ピクセルであり、以下のカテゴリで異なる：

飛行機
自動車
鳥類
猫
鹿
犬
カエル
馬
船舶
トラック

この多様なデータセットは、機械学習やコンピュータビジョンなどの分野で画像分類モデルの学習に不可欠です。詳細については、CIFAR-10のデータセット構造とアプリケーションのセクションをご覧ください。

なぜCIFAR-10データセットを画像分類タスクに使うのか？

CIFAR-10データセットは、その多様性と構造から画像分類の優れたベンチマークである。CIFAR-10データセットには、10種類のカテゴリにわたる60,000枚のラベル付き画像がバランスよく含まれており、ロバストで汎化されたモデルの学習に役立ちます。このデータセットは、畳み込みニューラルネットワーク（CNN）やその他の機械学習アルゴリズムを含む深層学習モデルの評価に広く使用されている。データセットが比較的小さいため、迅速な実験やアルゴリズム開発に適しています。アプリケーションのセクションで、その数多くのアプリケーションをご覧ください。

CIFAR-10データセットの構造は？

CIFAR-10データセットは2つのサブセットに分かれている：

トレーニングセット：機械学習モデルの学習に使用される50,000枚の画像を含む。
テストセット：学習済みモデルのテストとベンチマーク用に10,000枚の画像から構成される。

各サブセットは10クラスに分類された画像で構成され、そのアノテーションはモデルの学習と評価にすぐに利用できる。より詳細な情報については、データセットの構造のセクションを参照してください。

研究においてCIFAR-10データセットを引用するにはどうすればよいですか？

CIFAR-10データセットを研究または開発プロジェクトで使用する場合は、必ず以下の論文を引用してください：

ビブテックス

@TECHREPORT{Krizhevsky09learningmultiple,
            author={Alex Krizhevsky},
            title={Learning multiple layers of features from tiny images},
            institution={},
            year={2009}
}

データセットの作成者に謝意を表することは、この分野における継続的な研究開発の支援につながる。詳しくは、引用と謝辞のセクションをご覧ください。

CIFAR-10データセットの実用例は？

CIFAR-10データセットは、畳み込みニューラルネットワーク（CNN）やサポートベクターマシン（SVM）などの画像分類モデルの学習によく使用されます。これらのモデルは、物体検出、画像認識、自動タグ付けなど、様々なコンピュータビジョンタスクで使用することができます。実用的な例を見るには、使用法のセクションにあるコード・スニペットをチェックしてください。

📅作成：1年前 ✏️更新しました 2ヶ月前