Conjunto de dados CIFAR-10#
O conjunto de dados CIFAR-10 (Canadian Institute For Advanced Research) é uma referência clássica de classificação de imagens com 60.000 imagens coloridas de 32x32 divididas igualmente entre 10 classes — avião, automóvel, pássaro, gato, veado, cachorro, rã, cavalo, navio e caminhão. Ele vem com uma divisão predefinida de 50.000 imagens de treino e 10.000 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 refinado, consulte o conjunto de dados relacionado CIFAR-100.
Explora o CIFAR-10 na Ultralytics Platform para prever amostras, inspecionar as estat%dsticas do conjunto de dados e clon%-lo para treino.
Principais recursos#
- O CIFAR-10 contém 60.000 imagens coloridas de 32x32 pixels, divididas uniformemente em 10 classes.
- Cada classe contém exatamente 6.000 imagens — 5.000 para treino e 1.000 para teste — portanto, o conjunto de dados é perfeitamente equilibrado.
- As 10 classes são avião, automóvel, pássaro, gato, veado, cão, sapo, cavalo, navio e caminhão.
- O conjunto de dados vem com uma divisão de treino/teste predefinida, portanto não é necessária nenhuma divisão manual ou automática.
- O CIFAR-10 é uma referência padrão para pesquisas em classificação de imagens e reconhecimento de objetos.
Estrutura do Dataset#
O CIFAR-10 vem com uma divisão oficial e predefinida, portanto não é necessária nenhuma particionamento manual ou automático:
- Classes: 10 (avião, automóvel, pássaro, gato, veado, cão, sapo, cavalo, navio, caminhão)
- Total de imagens: 60.000 (32x32 coloridas)
- Conjunto de treino: 50.000 imagens (5.000 por classe)
- Conjunto de teste: 10.000 imagens (1.000 por classe)
O CIFAR-10 não possui uma pasta de validação separada, por isso o Ultralytics usa o conjunto de teste de 10.000 imagens como a divisão de validação durante o treinamento por padrão.
Aplicações#
O CIFAR-10 é amplamente utilizado para treinar e avaliar modelos de classificação de imagens, desde Redes Neurais Convolucionais (CNNs) clássicas e Máquinas de Vetores de Suporte (SVMs) até arquiteturas profundas modernas. O tamanho pequeno das imagens e as classes balanceadas o tornam ideal para experimentação rápida, avaliação de novos algoritmos e ensino de fundamentos de visão computacional.
Uso#
Treine um modelo YOLO no CIFAR-10 por 100 épocas com um tamanho de imagem de 32. Para a lista completa de argumentos disponíveis, consulte a página de Treinamento e o guia da tarefa de classificação de imagens.
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="cifar10", epochs=100, imgsz=32)Exemplos de Imagens e Anotações#
O conjunto de dados CIFAR-10 contém imagens coloridas de vários objetos, fornecendo um conjunto de dados bem estruturado para tarefas de classificação de imagens. Aqui estão alguns exemplos de imagens do conjunto de dados:
As amostras mostram a diversidade dos objetos no conjunto de dados CIFAR-10, destacando o valor de um conjunto de dados variado para treinar modelos robustos de classificação de imagens.
Citações e Agradecimentos#
Se usares o conjunto de dados CIFAR-10 no teu trabalho de pesquisa ou desenvolvimento, por favor cita o seguinte artigo:
@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 de aprendizado de máquina e visão computacional. Para mais informações sobre o conjunto de dados CIFAR-10 e seu criador, visite o site do conjunto de dados CIFAR-10.
FAQ#
O conjunto de dados CIFAR-10 é amplamente utilizado para treinar e avaliar modelos de classificação de imagens e reconhecimento de objetos. Ele contém 60.000 imagens coloridas de 32x32 distribuídas uniformemente em 10 classes, e seu tamanho pequeno e classes equilibradas tornam-no 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 obter uma lista completa de argumentos, consulte a página de Treinamento do modelo.
Exemplo de Treinamentofrom 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="cifar10", epochs=100, imgsz=32)O CIFAR-10 possui 10 classes — avião, automóvel, pássaro, gato, veado, cão, 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 as categorias.
O CIFAR-10 vem com uma divisão predefinida de 50.000 imagens de treino e 10.000 imagens de teste, com exatamente 5.000 imagens de treino e 1.000 de teste por classe. Ao contrário dos conjuntos de dados de classificação baseados em pastas que o Ultralytics divide automaticamente, a partição oficial do CIFAR-10 é usada como está, e o conjunto de teste serve como a divisão de validação durante o treinamento por padrão.
Sim. A Ultralytics Platform permite gerenciar conjuntos de dados, treinar modelos de classificação de imagens e implantá-los sem muita codificação. É uma maneira conveniente de executar experimentos com o CIFAR-10 na nuvem, e você pode explorar mais opções em nossa visão geral dos conjuntos de dados de classificação.