Conjunto de dados CIFAR-100#
O conjunto de dados CIFAR-100 (Instituto Canadiano de Investigação Avançada) é um benchmark de classificação de imagens com 60 000 imagens a cores de 32x32, distribuídas uniformemente por 100 classes de granularidade fina (600 imagens cada), que, por sua vez, estão agrupadas em 20 superclasses abrangentes. Criado por Alex Krizhevsky, inclui uma divisão predefinida de 50 000 imagens de treino e 10 000 imagens de teste, o que faz dele o equivalente mais difícil e de granularidade mais fina do conjunto de dados CIFAR-10.
Explora o CIFAR-100 na Ultralytics Platform para pré-visualizares amostras, inspecionares as estatísticas do conjunto de dados e clonares o conjunto para treino.
Principais funcionalidades#
- O CIFAR-100 contém 60 000 imagens a cores de 32x32 píxeis, divididas uniformemente por 100 classes.
- Cada classe contém exatamente 600 imagens — 500 para treino e 100 para teste —, pelo que o conjunto de dados é perfeitamente equilibrado.
- As 100 classes de granularidade fina estão agrupadas em 20 superclasses abrangentes para classificação de nível superior.
- O conjunto de dados é fornecido com uma divisão predefinida entre treino e teste, pelo que não é necessária qualquer divisão manual ou automática.
- O CIFAR-100 é um benchmark padrão para investigação em classificação de imagens de granularidade fina e reconhecimento de objetos.
Estrutura do Conjunto de Dados#
O CIFAR-100 inclui uma divisão oficial predefinida, pelo que não é necessária qualquer partição automática ou manual:
- Classes: 100 classes de granularidade fina, agrupadas em 20 superclasses abrangentes
- Total de imagens: 60.000 (a cores, 32x32)
- Conjunto de treino: 50 000 imagens (500 por classe)
- Conjunto de teste: 10 000 imagens (100 por classe)
O CIFAR-100 não tem uma pasta de validação separada, pelo que a Ultralytics utiliza, por predefinição, o conjunto de teste de 10 000 imagens como divisão de validação durante o treino. O treino com data="cifar100" aprende as 100 classes de granularidade fina.
Aplicações#
O CIFAR-100 é amplamente utilizado para treinar e avaliar modelos de classificação de imagens, desde Redes Neuronais Convolucionais clássicas (CNNs) e Máquinas de Vetores de Suporte (SVMs) até arquiteturas profundas modernas. As suas 100 classes de granularidade fina e o pequeno tamanho das imagens fazem dele um benchmark exigente para investigação em aprendizagem automática, comparação de algoritmos e experimentação em visão computacional.
Utilização#
Treina um modelo YOLO no CIFAR-100 durante 100 épocas, com um tamanho de imagem de 32. Para veres a lista completa de argumentos disponíveis, consulta a página de Treino 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="cifar100", epochs=100, imgsz=32)Imagens de exemplo e anotações#
Imagens de exemplo do conjunto de dados CIFAR-100:
As amostras mostram a diversidade dos objetos no conjunto de dados CIFAR-100, destacando o valor de um conjunto de dados variado para treinar modelos robustos de classificação de imagens.
Citações e agradecimentos#
Se utilizares o conjunto de dados CIFAR-100 no teu trabalho de investigação ou desenvolvimento, cita o artigo seguinte:
@TECHREPORT{Krizhevsky09learningmultiple,
author={Alex Krizhevsky},
title={Learning multiple layers of features from tiny images},
institution={},
year={2009}
}Gostaríamos de agradecer a Alex Krizhevsky por ter criado e mantido o conjunto de dados CIFAR-100 como um recurso valioso para a comunidade de investigação em aprendizagem automática e visão computacional. Para obteres mais informações sobre o conjunto de dados CIFAR-100 e o seu criador, visita o site do conjunto de dados CIFAR-100.
Perguntas frequentes#
O conjunto de dados CIFAR-100 é amplamente utilizado para treinar e avaliar modelos de classificação de imagens de granularidade fina e de reconhecimento de objetos. Contém 60 000 imagens a cores de 32x32, distribuídas por 100 classes agrupadas em 20 superclasses, o que faz dele um benchmark mais desafiante do que o CIFAR-10 para algoritmos como Redes Neuronais Convolucionais (CNNs) e Máquinas de Vetores de Suporte (SVMs), bem como para avaliar modelos de aprendizagem profunda desenvolvidos com Ultralytics YOLO.
Para treinares um modelo Ultralytics YOLO no CIFAR-100, utiliza os fragmentos de código abaixo. O conjunto de dados é transferido automaticamente na primeira utilização. Para veres a lista completa de argumentos, consulta a página de Treino do modelo.
Exemplo de treinofrom 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 tem 100 classes de granularidade fina — como maçã, golfinho, bordo, motocicleta e foguetão — com exatamente 600 imagens cada, num total de 60 000 imagens. Estas 100 classes estão também agrupadas em 20 superclasses abrangentes (por exemplo, a superclasse das árvores inclui bordo, carvalho, palmeira, pinheiro e salgueiro). O treino com
data="cifar100"utiliza as 100 classes de granularidade fina.O CIFAR-100 inclui uma divisão predefinida de 50 000 imagens de treino e 10 000 imagens de teste, com exatamente 500 imagens de treino e 100 imagens de teste por classe. Ao contrário dos conjuntos de dados de classificação baseados em pastas, que a Ultralytics divide automaticamente, a partição oficial do CIFAR-100 é utilizada tal como está, e o conjunto de teste serve, por predefinição, como divisão de validação durante o treino.
Sim. A Ultralytics Platform permite-te gerir conjuntos de dados, treinar modelos de classificação de imagens e implementá-los sem programação extensa. É uma forma prática de executar experiências com o CIFAR-100 na nuvem, e podes explorar mais opções na nossa visão geral dos conjuntos de dados de classificação.