Link to this sectionCIFAR-100 데이터셋#

CIFAR-100 (Canadian Institute For Advanced Research) 데이터셋은 100개의 세부 클래스(각 600개 이미지)에 균등하게 분산된 60,000개의 32x32 컬러 이미지로 구성된 이미지 분류 벤치마크이며, 이는 다시 20개의 상위 슈퍼클래스로 그룹화됩니다. Alex Krizhevsky가 제작한 이 데이터셋은 50,000개의 학습 이미지와 10,000개의 테스트 이미지가 사전 정의된 분할로 제공되며, CIFAR-10 데이터셋보다 더 어렵고 세부적인 버전입니다.

Link to this section주요 특징#

• CIFAR-100은 32x32 픽셀의 컬러 이미지 60,000개를 포함하며, 100개의 클래스로 균등하게 나뉘어 있습니다.
• 각 클래스는 정확히 600개의 이미지(학습용 500개, 테스트용 100개)를 보유하고 있어 데이터셋이 완벽하게 균형을 이룹니다.
• 100개의 세부 클래스는 더 높은 수준의 분류를 위해 20개의 상위 슈퍼클래스로 그룹화됩니다.
• 이 데이터셋은 학습/테스트 분할이 미리 정의되어 제공되므로 수동 또는 자동 분할이 필요하지 않습니다.
• CIFAR-100은 세부적인 이미지 분류 및 객체 인식 연구를 위한 표준 벤치마크입니다.

Link to this section데이터셋 구조#

CIFAR-100은 공식적인 사전 정의 분할과 함께 제공되므로 자동 또는 수동 파티셔닝이 필요하지 않습니다:

• 클래스: 100개의 세부 클래스(20개의 상위 슈퍼클래스로 그룹화됨)
• 총 이미지 수: 60,000개(32x32 컬러)
• 학습 세트: 50,000개 이미지(클래스당 500개)
• 테스트 세트: 10,000개 이미지(클래스당 100개)

Link to this section응용 분야#

CIFAR-100 is widely used to train and evaluate image classification models, from classic Convolutional Neural Networks (CNNs) and Support Vector Machines (SVMs) to modern deep architectures. Its 100 fine-grained classes and small image size make it a demanding benchmark for machine learning research, algorithm comparison, and computer vision experimentation.

Link to this section사용법#

이미지 크기 32에서 100 에포크 동안 CIFAR-100으로 YOLO 모델을 학습합니다. 사용 가능한 전체 인수 목록은 학습 페이지 및 이미지 분류 작업 가이드를 참조하십시오.

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 section샘플 이미지 및 주석#

CIFAR-100 데이터셋의 샘플 이미지:

샘플들은 CIFAR-100 데이터셋에 포함된 객체의 다양성을 보여주며, 강력한 이미지 분류 모델을 학습하기 위한 다양한 데이터셋의 가치를 강조합니다.

Link to this section인용 및 감사의 글#

연구 또는 개발 작업에서 CIFAR-100 데이터셋을 사용하는 경우 다음 논문을 인용해 주십시오:

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

머신 러닝 및 컴퓨터 비전 연구 커뮤니티를 위한 귀중한 자원으로서 CIFAR-100 데이터셋을 만들고 유지 관리해 준 Alex Krizhevsky에게 감사를 표합니다. CIFAR-100 데이터셋과 제작자에 대한 자세한 내용은 CIFAR-100 데이터셋 웹사이트를 방문하십시오.

Link to this sectionFAQ#

Link to this sectionCIFAR-100 데이터셋은 머신 러닝에서 어떤 용도로 사용됩니까?#

The CIFAR-100 dataset is widely used to train and benchmark fine-grained image classification and object recognition models. It contains 60,000 32x32 color images across 100 classes grouped into 20 superclasses, making it a more challenging benchmark than CIFAR-10 for algorithms such as Convolutional Neural Networks (CNNs) and Support Vector Machines (SVMs), and for evaluating deep learning models built with Ultralytics YOLO.

Link to this sectionCIFAR-100 데이터셋에서 Ultralytics YOLO 모델을 어떻게 학습할 수 있습니까?#

CIFAR-100에서 Ultralytics YOLO 모델을 학습하려면 아래 코드 스니펫을 사용하십시오. 데이터셋은 처음 사용할 때 자동으로 다운로드됩니다. 전체 인수 목록은 모델 학습 페이지를 참조하십시오.

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 sectionCIFAR-100 데이터셋에는 몇 개의 클래스가 있습니까?#

CIFAR-100은 사과, 돌고래, 단풍나무, 오토바이, 로켓과 같은 100개의 세부 클래스를 가지고 있으며 각 클래스당 정확히 600개의 이미지, 총 60,000개의 이미지가 있습니다. 이 100개의 클래스는 추가로 20개의 상위 슈퍼클래스로 그룹화됩니다(예: 나무 슈퍼클래스는 단풍나무, 참나무, 야자나무, 소나무, 버드나무를 포함함). data="cifar100"으로 학습하면 100개의 세부 클래스를 사용하게 됩니다.

Link to this sectionCIFAR-100 데이터셋은 학습 및 테스트 세트로 어떻게 나뉩니까?#

CIFAR-100은 50,000개의 학습 이미지와 10,000개의 테스트 이미지로 구성된 사전 정의된 분할을 제공하며, 클래스당 정확히 500개의 학습 이미지와 100개의 테스트 이미지가 있습니다. Ultralytics가 자동으로 분할하는 폴더 기반 분류 데이터셋과 달리, CIFAR-100의 공식 파티션은 있는 그대로 사용되며 테스트 세트는 학습 중에 기본적으로 검증 분할로 사용됩니다.

Link to this sectionCIFAR-100 데이터셋에서 모델을 학습하기 위해 Ultralytics Platform을 사용할 수 있습니까?#

네. Ultralytics Platform을 사용하면 광범위한 코딩 없이도 데이터셋을 관리하고 이미지 분류 모델을 학습하며 배포할 수 있습니다. 클라우드에서 CIFAR-100 실험을 실행하는 편리한 방법이며, 분류 데이터셋 개요에서 더 많은 옵션을 탐색할 수 있습니다.