Link to this sectionConjunto de dados CIFAR-100#

O conjunto de dados CIFAR-100 (Canadian Institute For Advanced Research) é uma extensão significativa do conjunto de dados CIFAR-10, composto por 60.000 imagens coloridas de 32x32 em 100 classes diferentes. Foi desenvolvido por pesquisadores do instituto CIFAR, oferecendo um conjunto de dados mais desafiador para tarefas mais complexas de aprendizado de máquina e visão computacional.

Link to this sectionPrincipais recursos#

• O conjunto de dados CIFAR-100 consiste em 60.000 imagens, divididas em 100 classes.
• Cada classe contém 600 imagens, divididas em 500 para treinamento e 100 para teste.
• As imagens são coloridas e têm um tamanho de 32x32 pixels.
• As 100 classes diferentes são agrupadas em 20 categorias amplas para classificação de nível superior.
• O CIFAR-100 é comumente usado para treinamento e teste no campo do aprendizado de máquina e visão computacional.

Link to this sectionEstrutura do Dataset#

O conjunto de dados CIFAR-100 é dividido em dois subconjuntos:

1. Conjunto de Treinamento: Este subconjunto contém 50.000 imagens usadas para treinar modelos de machine learning.
2. Conjunto de Teste: Este subconjunto consiste em 10.000 imagens usadas para testar e comparar o desempenho dos modelos treinados.

Link to this sectionAplicações#

O conjunto de dados CIFAR-100 é extensivamente utilizado para treinar e avaliar modelos de aprendizado profundo em tarefas de classificação de imagens, como Redes Neurais Convolucionais (CNNs), Máquinas de Vetores de Suporte (SVMs) e vários outros algoritmos de aprendizado de máquina. A diversidade do conjunto de dados em termos de classes e a presença de imagens coloridas o tornam um conjunto de dados mais desafiador e abrangente para pesquisa e desenvolvimento no campo do aprendizado de máquina e visão computacional.

Link to this sectionUso#

Para treinar um modelo YOLO no conjunto de dados CIFAR-100 por 100 épocas com um tamanho de imagem de 32x32, você pode usar os seguintes trechos de código. Para uma lista abrangente de argumentos disponíveis, consulte a página de Treinamento do modelo.

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)

Link to this sectionExemplos de Imagens e Anotações#

O conjunto de dados CIFAR-100 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:

O exemplo mostra a variedade e a complexidade dos objetos no conjunto de dados CIFAR-100, destacando a importância de um conjunto de dados diversificado para o treinamento de modelos de classificação de imagens robustos.

Link to this sectionCitações e Agradecimentos#

Se você usar o conjunto de dados CIFAR-100 em seu trabalho de pesquisa ou desenvolvimento, por favor, cite 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-100 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-100 e seu criador, visite o site do conjunto de dados CIFAR-100.

Link to this sectionFAQ#

Link to this sectionO que é o conjunto de dados CIFAR-100 e por que ele é significativo?#

O conjunto de dados CIFAR-100 é uma grande coleção de 60.000 imagens coloridas de 32x32 classificadas em 100 classes. Desenvolvido pelo Canadian Institute For Advanced Research (CIFAR), ele oferece um conjunto de dados desafiador, ideal para tarefas complexas de aprendizado de máquina e visão computacional. Sua importância reside na diversidade das classes e no tamanho reduzido das imagens, tornando-o um recurso valioso para treinar e testar modelos de deep learning, como Neural Networks (CNNs) convolucionais, usando frameworks como o Ultralytics YOLO.

Link to this sectionComo posso treinar um modelo YOLO no conjunto de dados CIFAR-100?#

Você pode treinar um modelo YOLO no conjunto de dados CIFAR-100 usando Python ou comandos CLI. Veja como:

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)

Para uma lista abrangente de argumentos disponíveis, consulte a página de Treinamento do modelo.

Link to this sectionQuais são as principais aplicações do conjunto de dados CIFAR-100?#

O conjunto de dados CIFAR-100 é amplamente utilizado no treinamento e na avaliação de modelos de deep learning para classificação de imagens. Seu conjunto diversificado de 100 classes, agrupadas em 20 categorias amplas, oferece um ambiente desafiador para testar algoritmos como Redes Neurais Convolucionais (CNNs), Máquinas de Vetores de Suporte (SVMs) e várias outras abordagens de aprendizado de máquina. Este conjunto de dados é um recurso chave em pesquisa e desenvolvimento nas áreas de aprendizado de máquina e visão computacional, particularmente para tarefas de object recognition e classificação.

Link to this sectionComo o conjunto de dados CIFAR-100 é estruturado?#

O conjunto de dados CIFAR-100 é dividido em dois subconjuntos principais:

1. Conjunto de Treinamento: Contém 50.000 imagens usadas para treinar modelos de machine learning.
2. Conjunto de Teste: Consiste em 10.000 imagens usadas para testar e avaliar o desempenho dos modelos treinados.

Cada uma das 100 classes contém 600 imagens, com 500 imagens para treinamento e 100 para teste, tornando-o excepcionalmente adequado para pesquisas acadêmicas e industriais rigorosas.

Link to this sectionOnde posso encontrar imagens de amostra e anotações do conjunto de dados CIFAR-100?#

O conjunto de dados CIFAR-100 inclui uma variedade de imagens coloridas de diversos objetos, tornando-o um conjunto de dados estruturado para tarefas de classificação de imagens. Podes consultar a página de documentação para ver amostras de imagens e anotações. Estes exemplos destacam a diversidade e a complexidade do conjunto de dados, importantes para treinar modelos de classificação de imagens robustos. Para mais conjuntos de dados adequados para tarefas de classificação, confere a visão geral dos conjuntos de dados de classificação da Ultralytics.