Датасет CIFAR-10#

60,000

CIFAR-10

ultralytics

publicClassify

CIFAR-10 is Krizhevsky, Nair, and Hinton's canonical benchmark of 60,000 balanced 32 x 32 RGB images. Ten classes cover airplanes, automobiles, birds, cats, deer, dogs, frogs, horses, ships, and trucks in the official training and test split.

10 classes66 MBSep 2, 2026

airplaneautomobilebirdcat+6

image-classificationcifar10object-recognition+1

Датасет CIFAR-10 (Канадский институт перспективных исследований) — классический бенчмарк для классификации изображений, содержащий 60 000 цветных изображений размером 32x32, равномерно распределенных по 10 классам: самолет, автомобиль, птица, кошка, олень, собака, лягушка, лошадь, корабль и грузовик. В датасете заранее заданы 50 000 обучающих и 10 000 тестовых изображений (по 6 000 на класс), что делает его компактной и хорошо сбалансированной отправной точкой для обучения и сравнения моделей классификации. Для более детальной задачи смотри связанный датасет CIFAR-100.

Открой CIFAR-10 на Ultralytics Platform, чтобы просмотреть примеры, изучить статистику датасета и создать его копию для обучения.

Основные особенности#

• CIFAR-10 содержит 60 000 цветных изображений размером 32x32 пикселя, равномерно распределенных по 10 классам.
• В каждом классе ровно 6 000 изображений — 5 000 для обучения и 1 000 для тестирования, поэтому датасет идеально сбалансирован.
• 10 классов: самолет, автомобиль, птица, кошка, олень, собака, лягушка, лошадь, корабль и грузовик.
• Датасет содержит заранее заданное разделение на обучающую и тестовую выборки, поэтому вручную или автоматически делить данные не нужно.
• CIFAR-10 — стандартный бенчмарк для исследований в области классификации изображений и распознавания объектов.

Структура набора данных#

В CIFAR-10 задано официальное разделение на выборки, поэтому автоматически или вручную делить данные не нужно:

• Классы: 10 (самолет, автомобиль, птица, кошка, олень, собака, лягушка, лошадь, корабль, грузовик)
• Всего изображений: 60 000 (цветные, размером 32x32)
• Обучающая выборка: 50 000 изображений (по 5 000 на класс)
• Тестовая выборка: 10 000 изображений (по 1 000 на класс)

Применение#

CIFAR-10 широко используется для обучения и оценки моделей классификации изображений: от классических сверточных нейронных сетей (CNNs) и метода опорных векторов (SVMs) до современных глубоких архитектур. Небольшой размер изображений и сбалансированные классы делают датасет идеальным для быстрых экспериментов, сравнения новых алгоритмов и изучения основ компьютерного зрения.

Использование#

Обучи модель YOLO на CIFAR-10 в течение 100 эпох с размером изображения 32. Полный список доступных аргументов смотри на странице обучения и в руководстве по задаче классификации изображений.

from ultralytics import YOLO

# Загрузить модель
model = YOLO("yolo26n-cls.pt")  # загрузить предварительно обученную модель (рекомендуется для обучения)

# Обучить модель
results = model.train(data="cifar10", epochs=100, imgsz=32)

Примеры изображений и аннотаций#

Датасет CIFAR-10 содержит цветные изображения различных объектов и имеет хорошо организованную структуру для задач классификации изображений. Вот несколько примеров изображений из датасета:

Примеры показывают разнообразие объектов в датасете CIFAR-10 и подчеркивают ценность разнообразных данных для обучения устойчивых моделей классификации изображений.

Цитирование и благодарности#

Если ты используешь датасет CIFAR-10 в исследованиях или разработке, укажи в цитировании следующую статью:

@TECHREPORT{Krizhevsky09learningmultiple,
            author={Alex Krizhevsky},
            title={Learning multiple layers of features from tiny images},
            institution={},
            year={2009}
}

Мы хотели бы поблагодарить Alex Krizhevsky за создание и поддержку датасета CIFAR-10 — ценного ресурса для сообщества исследователей в области машинного обучения и компьютерного зрения. Подробнее о датасете CIFAR-10 и его создателе можно узнать на сайте датасета CIFAR-10.

Часто задаваемые вопросы#