CIFAR-100 데이터셋#

CIFAR-100 (Canadian Institute For Advanced Research) 데이터셋은 100개의 세부 클래스(각 600장)에 걸쳐 균등하게 분포된 60,000장의 32x32 컬러 이미지로 구성된 이미지 분류 벤치마크이며, 이 클래스들은 다시 20개의 상위 슈퍼클래스로 그룹화됩니다. 알렉스 크리제프스키(Alex Krizhevsky)가 생성한 이 데이터셋은 50,000장의 학습 이미지와 10,000장의 테스트 이미지의 미리 정의된 분할을 제공하며, CIFAR-10 데이터셋의 더 어렵고 세분화된 자매 버전입니다.

주요 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 세분화된 이미지 분류 및 객체 인식 연구를 위한 표준 벤치마크입니다.

데이터셋 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)

응용 분야#

CIFAR-100은 클래식한 Convolutional Neural Networks (CNN) 및 Support Vector Machines (SVM)부터 최신 딥 아키텍처에 이르기까지 image classification 모델을 학습하고 평가하는 데 널리 사용됩니다. 100개의 세분화된 클래스와 작은 이미지 크기 덕분에 machine learning 연구, 알고리즘 비교, computer vision 실험을 위한 까다로운 벤치마크가 됩니다.

사용법#

이미지 크기 32로 100 에포크 동안 CIFAR-100에서 YOLO 모델을 학습합니다. 사용 가능한 전체 인수 목록은 학습 페이지와 이미지 분류 태스크 가이드를 참조하세요.

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)

샘플 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.

인용 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}
}

머신러닝 및 컴퓨터 비전 연구 커뮤니티를 위한 가치 있는 리소스인 CIFAR-100 데이터셋을 만들고 유지 관리해 준 Alex Krizhevsky에게 감사를 표합니다. CIFAR-100 데이터셋 및 제작자에 대한 자세한 내용은 CIFAR-100 데이터셋 웹사이트를 방문하세요.

FAQ#

CIFAR-100 데이터셋은 머신 러닝에서 어떤 용도로 사용됩니까?#

CIFAR-100 데이터셋은 세분화된 image classification 및 객체 인식 모델을 학습하고 벤치마킹하는 데 널리 사용됩니다. 이 데이터셋은 20개의 상위 클래스로 그룹화된 100개의 클래스에 걸쳐 60,000장의 32x32 컬러 이미지를 포함하고 있어, Convolutional Neural Networks (CNN) 및 Support Vector Machines (SVM)과 같은 알고리즘과 Ultralytics YOLO로 구축된 deep learning 모델을 평가하는 데 CIFAR-10보다 더 도전적인 벤치마크가 됩니다.

CIFAR-100 데이터셋에서 Ultralytics YOLO 모델을 어떻게 학습할 수 있습니까?#

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

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)

CIFAR-100 데이터셋에는 몇 개의 클래스가 있습니까?#

CIFAR-100에는 사과, 돌고래, 단풍나무, 오토바이, 로켓 등 100개의 세부 클래스가 있으며 각각 정확히 600장씩 총 60,000장의 이미지가 있습니다. 이 100개의 클래스는 추가로 20개의 상위 슈퍼클래스로 그룹화됩니다(예: 나무 슈퍼클래스는 단풍나무, 참나무, 야자수, 소나무, 버드나무를 포함합니다). data="cifar100"을 사용한 학습은 100개의 세부 클래스를 사용합니다.

CIFAR-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.

CIFAR-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 확인할 수 있습니다.