YOLO Vision 2026:
No license

Conjunto de dados CIFAR-100#

O conjunto de dados CIFAR-100 (Canadian Institute For Advanced Research) é uma referência de image classification com 60.000 imagens coloridas de 32x32 distribuídas uniformemente por 100 classes detalhadas (600 imagens cada), que por sua vez são agrupadas em 20 superclasses amplas. Criado por Alex Krizhevsky, ele vem com uma divisão predefinida de 50.000 imagens de treino e 10.000 de teste, tornando-se o irmão mais difícil e detalhado do conjunto de dados CIFAR-10.

Explora o CIFAR-100 on Ultralytics Platform para pré-visualizar amostras, inspecionar estatísticas do conjunto de dados e cloná-lo para treino.



Watch: How to Train an Image Classification Model on CIFAR-100 using Ultralytics YOLO

Principais recursos#

  • O CIFAR-100 contém 60.000 imagens coloridas de 32x32 pixels, divididas uniformemente em 100 classes.
  • Cada classe possui exatamente 600 imagens — 500 para treino e 100 para teste —, portanto o dataset é perfeitamente balanceado.
  • As 100 classes de granulação fina são agrupadas em 20 superclasses grosseiras para classificação de nível superior.
  • O conjunto de dados vem com uma divisão de treino/teste predefinida, portanto não é necessária nenhuma divisão manual ou automática.
  • O CIFAR-100 é uma referência padrão para pesquisas detalhadas de image classification e reconhecimento de objetos.

Estrutura do Dataset#

O CIFAR-100 vem com uma divisão oficial e predefinida, portanto não é necessária nenhuma partição automática ou manual:

  • Classes: 100 classes de granulação fina, agrupadas em 20 superclasses grosseiras
  • Total de imagens: 60.000 (32x32 coloridas)
  • Conjunto de treino: 50.000 imagens (500 por classe)
  • Conjunto de teste: 10.000 imagens (100 por classe)
Divisão de validação

O CIFAR-100 não possui uma pasta de validação separada, portanto o Ultralytics usa o conjunto de teste de 10.000 imagens como a divisão de validação durante o treinamento por padrão. O treinamento com data="cifar100" aprende as 100 classes detalhadas.

Aplicações#

O CIFAR-100 é amplamente utilizado para treinar e avaliar modelos de image classification, desde Convolutional Neural Networks (CNNs) clássicas e Support Vector Machines (SVMs) até arquiteturas profundas modernas. Suas 100 classes detalhadas e o tamanho pequeno das imagens tornam-no uma referência exigente para pesquisas de machine learning, comparação de algoritmos e experimentação em computer vision.

Uso#

Treine um modelo YOLO no CIFAR-100 por 100 epochs com um tamanho de imagem de 32. Para ver a lista completa de argumentos disponíveis, consulte a página Training e o guia da tarefa de image classification.

Exemplo de Treinamento
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)

Exemplos de Imagens e Anotações#

Exemplos de imagens do dataset CIFAR-100:

CIFAR-100 image classification dataset samples

As amostras mostram a diversidade dos objetos no dataset CIFAR-100, destacando o valor de um dataset variado para treinar modelos robustos de classificação de imagens.

Citações e Agradecimentos#

Se você usar o conjunto de dados CIFAR-100 em seu trabalho de pesquisa ou desenvolvimento, por favor, cite o seguinte artigo:

Citação
@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-100 como um recurso valioso para a comunidade de pesquisa de machine learning e computer vision. Para obter mais informações sobre o conjunto de dados CIFAR-100 e seu criador, visite o CIFAR-100 dataset website.

FAQ#

  • O conjunto de dados CIFAR-100 é amplamente utilizado para treinar e avaliar modelos de image classification detalhada e reconhecimento de objetos. Ele contém 60.000 imagens coloridas de 32x32 em 100 classes agrupadas em 20 superclasses, tornando-o uma referência mais desafiadora do que o CIFAR-10 para algoritmos como Convolutional Neural Networks (CNNs) e Support Vector Machines (SVMs), e para avaliar modelos de deep learning construídos com Ultralytics YOLO.

  • Para treinar um modelo Ultralytics YOLO no CIFAR-100, 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 Training do modelo.

    Exemplo de Treinamento
    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)

  • O CIFAR-100 possui 100 classes detalhadas — como maçã, golfinho, bordo, motocicleta e foguete — com exatamente 600 imagens cada, totalizando 60.000 imagens. Essas 100 classes também são agrupadas em 20 superclasses amplas (por exemplo, a superclasse de árvores abrange bordo, carvalho, palmeira, pinheiro e salgueiro). O treinamento com data="cifar100" usa as 100 classes detalhadas.

  • O CIFAR-100 vem com uma divisão predefinida de 50.000 imagens de treino e 10.000 imagens de teste, com exatamente 500 imagens de treino e 100 de teste por classe. Diferente dos datasets de classificação baseados em pastas que o Ultralytics divide automaticamente, a partição oficial do CIFAR-100 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 image classification e implantá-los sem codificação extensiva. É uma maneira conveniente de executar experimentos com o CIFAR-100 na nuvem, e você pode explorar mais opções em nossa classification datasets overview.

Contribuidores
GLglenn-jocher16RAraimbekovm3RIRizwanMunawar2MAMatthewNoyce1JKjk4e1

Comentários