Ultralytics YOLO27:
Get Started
No license

CIFAR-100 데이터셋#

CIFAR-100(캐나다 고등연구원) 데이터셋은 20개의 상위 클래스에 묶인 세분화된 100개 클래스에 균등하게 분포된 32x32 컬러 이미지 60,000개(클래스당 600개)로 구성된 이미지 분류 벤치마크입니다. Alex Krizhevsky가 제작했으며 학습 이미지 50,000개와 테스트 이미지 10,000개로 미리 분할되어 있어, CIFAR-10 데이터셋보다 더 어렵고 세분화된 자매 데이터셋입니다.

Ultralytics Platform의 CIFAR-100을 살펴보고 샘플 미리보기, 데이터셋 통계 확인, 학습용 복제를 수행하세요.



시청: CIFAR-100에서 Ultralytics YOLO 이미지 분류 모델을 학습하는 방법

주요 기능#

  • CIFAR-100에는 32x32 픽셀 컬러 이미지 60,000개가 있으며, 100개 클래스에 균등하게 분포되어 있습니다.
  • 각 클래스에는 학습용 500개와 테스트용 100개를 합해 정확히 600개의 이미지가 있으므로 데이터셋이 완벽하게 균형을 이룹니다.
  • 세분화된 100개 클래스는 상위 수준의 분류를 위해 20개의 상위 클래스로 묶여 있습니다.
  • 데이터셋에 미리 정의된 학습/테스트 분할이 포함되어 있어 수동 또는 자동으로 분할할 필요가 없습니다.
  • CIFAR-100은 세분화된 이미지 분류 및 객체 인식 연구의 표준 벤치마크입니다.

데이터셋 구조#

CIFAR-100에는 공식적으로 미리 정의된 분할이 포함되어 있어 자동 또는 수동 분할이 필요하지 않습니다.

  • 클래스: 세분화된 클래스 100개, 상위 클래스 20개로 구성
  • 총 이미지 수: 60,000개(32x32 컬러)
  • 학습 세트: 이미지 50,000개(클래스당 500개)
  • 테스트 세트: 이미지 10,000개(클래스당 100개)
검증 분할

CIFAR-100에는 별도의 검증 폴더가 없으므로, Ultralytics는 기본적으로 학습 중 10,000개 이미지로 구성된 테스트 세트를 검증 분할로 사용합니다. data="cifar100"로 학습하면 세분화된 100개 클래스를 학습합니다.

응용 분야#

CIFAR-100은 이미지 분류 모델의 학습과 평가에 널리 사용되며, 적용 범위는 고전적인 합성곱 신경망 (CNNs)과 서포트 벡터 머신 (SVMs)부터 최신 딥 아키텍처까지 이릅니다. 세밀하게 구분된 100개 클래스와 작은 이미지 크기로 인해 머신 러닝 연구, 알고리즘 비교 및 컴퓨터 비전 실험을 위한 까다로운 벤치마크입니다.

사용법#

이미지 크기를 32로 설정하고 CIFAR-100에서 YOLO 모델을 100개의 에포크 동안 학습합니다. 사용 가능한 인수 전체 목록은 학습 페이지와 이미지 분류 작업 가이드를 참조하세요.

학습 예제
from ultralytics import YOLO

# 모델 로드
model = YOLO("yolo26n-cls.pt")  # 사전 학습된 모델을 불러옵니다(학습에 권장).

# 모델 학습
results = model.train(data="cifar100", epochs=100, imgsz=32)

샘플 이미지 및 어노테이션#

CIFAR-100 데이터셋의 샘플 이미지:

CIFAR-100 이미지 분류 데이터셋 샘플

샘플은 CIFAR-100 데이터셋에 포함된 객체의 다양성을 보여 주며, 강건한 이미지 분류 모델 학습에 다양한 데이터셋이 얼마나 중요한지 강조합니다.

인용 및 감사의 글#

연구 또는 개발 작업에 CIFAR-100 데이터셋을 사용하는 경우 다음 논문을 인용해 주세요:

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

머신 러닝 및 컴퓨터 비전 연구 커뮤니티에 귀중한 자료인 CIFAR-100 데이터셋을 만들고 관리해 온 Alex Krizhevsky에게 감사드립니다. CIFAR-100 데이터셋과 제작자에 관한 자세한 내용은 CIFAR-100 데이터셋 웹사이트를 방문하세요.

자주 묻는 질문#

  • CIFAR-100 데이터셋은 세분화된 이미지 분류 및 객체 인식 모델을 학습하고 벤치마킹하는 데 널리 사용됩니다. 20개의 상위 클래스로 묶인 100개 클래스에 걸쳐 32x32 컬러 이미지 60,000개가 포함되어 있어, 합성곱 신경망(CNNs) 및 서포트 벡터 머신(SVMs)과 같은 알고리즘과 Ultralytics YOLO로 구축한 딥러닝 모델을 평가하기에 CIFAR-10보다 더 까다로운 벤치마크입니다.

  • CIFAR-100에서 Ultralytics YOLO 모델을 학습하려면 아래 코드 조각을 사용하세요. 데이터셋은 처음 사용할 때 자동으로 다운로드됩니다. 인수 전체 목록은 모델 학습 페이지를 참조하세요.

    학습 예제
    from ultralytics import YOLO

# 모델 로드
model = YOLO("yolo26n-cls.pt")  # 사전 학습된 모델을 불러옵니다(학습에 권장).

# 모델 학습
results = model.train(data="cifar100", epochs=100, imgsz=32)

  • CIFAR-100에는 사과, 돌고래, 단풍나무, 오토바이, 로켓 등 세분화된 클래스 100개가 있으며, 각 클래스에는 정확히 이미지 600개씩, 총 60,000개가 있습니다. 이 100개 클래스는 다시 20개의 상위 클래스로 그룹화됩니다(예를 들어 나무 상위 클래스에는 단풍나무, 참나무, 야자수, 소나무, 버드나무가 포함됩니다). data="cifar100"을 사용한 학습에는 세분화된 클래스 100개가 사용됩니다.

  • CIFAR-100에는 학습 이미지 50,000개와 테스트 이미지 10,000개로 구성된 사전 정의된 분할이 제공되며, 클래스마다 학습 이미지 500개와 테스트 이미지 100개가 있습니다. Ultralytics가 자동으로 분할하는 폴더 기반 분류 데이터셋과 달리, CIFAR-100의 공식 분할은 그대로 사용되며 기본적으로 학습 중 테스트 세트가 검증 분할로 사용됩니다.

  • 예. Ultralytics Platform을 사용하면 많은 코드를 작성하지 않고도 데이터셋을 관리하고, 이미지 분류 모델을 학습하고, 배포할 수 있습니다. 클라우드에서 CIFAR-100 실험을 진행하기에 편리하며, 분류 데이터셋 개요에서 더 많은 옵션을 살펴볼 수 있습니다.

기여자
GLglenn-jocher16RAraimbekovm3RIRizwanMunawar2MAMatthewNoyce1JKjk4e1

댓글