Conjunto de dados CIFAR-10#
O conjunto de dados CIFAR-10 (Instituto Canadense de Pesquisa Avançada) é uma referência clássica de classificação de imagens, com 60.000 imagens coloridas de 32x32 pixels divididas igualmente entre 10 classes: avião, automóvel, pássaro, gato, cervo, cachorro, sapo, cavalo, navio e caminhão. Ele inclui uma divisão predefinida de 50.000 imagens de treinamento e 10.000 imagens de teste (6.000 por classe), tornando-se um ponto de partida leve e bem equilibrado para treinar e avaliar modelos de classificação. Para um desafio mais detalhado, veja o conjunto de dados CIFAR-100.
Explore o CIFAR-10 na Ultralytics Platform para visualizar amostras, consultar estatísticas do conjunto de dados e cloná-lo para treinamento.
Assista: Como treinar um modelo de Classificação de imagens com o conjunto de dados CIFAR-10 usando Ultralytics YOLO
Principais funcionalidades#
- O CIFAR-10 contém 60.000 imagens coloridas de 32x32 pixels, divididas igualmente em 10 classes.
- Cada classe contém exatamente 6.000 imagens — 5.000 para treinamento e 1.000 para teste —, portanto o conjunto de dados é perfeitamente equilibrado.
- As 10 classes são avião, automóvel, pássaro, gato, cervo, cachorro, sapo, cavalo, navio e caminhão.
- O conjunto de dados inclui uma divisão predefinida entre treinamento e teste, portanto não é necessário fazer uma divisão manual ou automática.
- O CIFAR-10 é uma referência padrão para pesquisas em classificação de imagens e reconhecimento de objetos.
Estrutura do conjunto de dados#
O CIFAR-10 inclui uma divisão oficial predefinida, portanto não é necessário fazer uma partição automática ou manual:
- Classes: 10 (avião, automóvel, pássaro, gato, cervo, cachorro, sapo, cavalo, navio, caminhão)
- Total de imagens: 60.000 (coloridas, 32x32)
- Conjunto de treinamento: 50.000 imagens (5.000 por classe)
- Conjunto de teste: 10.000 imagens (1.000 por classe)
O CIFAR-10 não tem uma pasta de validação separada, então, por padrão, a Ultralytics usa o conjunto de teste de 10.000 imagens como divisão de validação durante o treinamento.
Aplicações#
O CIFAR-10 é amplamente usado para treinar e avaliar modelos de classificação de imagens, desde as clássicas redes neurais convolucionais (CNNs) e máquinas de vetores de suporte (SVMs) até arquiteturas modernas de aprendizado profundo. O tamanho reduzido das imagens e o equilíbrio entre as classes fazem dele uma opção ideal para experimentação rápida, avaliação de novos algoritmos e ensino dos fundamentos de visão computacional.
Uso#
Treine um modelo YOLO no CIFAR-10 por 100 épocas, com tamanho de imagem 32. Para ver a lista completa de argumentos disponíveis, consulte a página de treinamento e o guia da tarefa de classificação de imagens.
from ultralytics import YOLO
# Carregar um modelo
model = YOLO("yolo26n-cls.pt") # carregue um modelo pré-treinado (recomendado para treinamento)
# Treinar o modelo
results = model.train(data="cifar10", epochs=100, imgsz=32)Imagens de exemplo e anotações#
O conjunto de dados CIFAR-10 contém imagens coloridas de vários objetos, oferecendo um conjunto de dados bem estruturado para tarefas de classificação de imagens. Veja alguns exemplos de imagens do conjunto de dados:
As amostras mostram a diversidade dos objetos no conjunto de dados CIFAR-10, ressaltando o valor de um conjunto de dados variado para treinar modelos robustos de classificação de imagens.
Citações e agradecimentos#
Se você usar o conjunto de dados CIFAR-10 em suas pesquisas ou atividades de desenvolvimento, cite o artigo a seguir:
@TECHREPORT{Krizhevsky09learningmultiple,
author={Alex Krizhevsky},
title={Learning multiple layers of features from tiny images},
institution={},
year={2009}
}Gostaríamos de agradecer a Alex Krizhevsky por criar e manter o conjunto de dados CIFAR-10 como um recurso valioso para a comunidade de pesquisa em aprendizado de máquina e visão computacional. Para saber mais sobre o conjunto de dados CIFAR-10 e seu criador, acesse o site do conjunto de dados CIFAR-10.
Perguntas frequentes#
O conjunto de dados CIFAR-10 é amplamente usado para treinar e avaliar modelos de classificação de imagens e reconhecimento de objetos. Ele contém 60.000 imagens coloridas de 32x32 pixels, distribuídas igualmente entre 10 classes. Seu tamanho reduzido e o equilíbrio entre as classes fazem dele uma referência rápida e confiável para algoritmos como redes neurais convolucionais (CNNs) e máquinas de vetores de suporte (SVMs).
Para treinar um modelo Ultralytics YOLO no CIFAR-10, use os trechos de código abaixo. O conjunto de dados é baixado automaticamente no primeiro uso. Para ver a lista completa de argumentos, consulte a página de treinamento do modelo.
Exemplo de treinofrom ultralytics import YOLO # Carregar um modelo model = YOLO("yolo26n-cls.pt") # carregue um modelo pré-treinado (recomendado para treinamento) # Treinar o modelo results = model.train(data="cifar10", epochs=100, imgsz=32)O CIFAR-10 tem 10 classes — avião, automóvel, pássaro, gato, cervo, cachorro, sapo, cavalo, navio e caminhão —, com exatamente 6.000 imagens cada, totalizando 60.000 imagens. As classes são mutuamente exclusivas e perfeitamente equilibradas, sem sobreposição entre categorias.
O CIFAR-10 inclui uma divisão predefinida de 50.000 imagens de treinamento e 10.000 imagens de teste, com exatamente 5.000 imagens de treinamento e 1.000 de teste por classe. Ao contrário dos conjuntos de dados de classificação organizados em pastas, que a Ultralytics divide automaticamente, a partição oficial do CIFAR-10 é usada sem alterações, e, por padrão, o conjunto de teste funciona como divisão de validação durante o treinamento.
Sim. A Ultralytics Platform permite gerenciar conjuntos de dados, treinar modelos de classificação de imagens e implantá-los sem precisar escrever muito código. É uma maneira prática de executar experimentos com CIFAR-10 na nuvem, e você pode explorar mais opções na nossa visão geral dos conjuntos de dados de classificação.