Начать
Лицензия отсутствует

Датасет CIFAR-10

CIFAR-10 preview 1
CIFAR-10 preview 2
CIFAR-10 preview 3
CIFAR-10 preview 4
60,000
CIFAR-10
ultralytics
PublicClassify

Tiny 32x32 color photos of common vehicles and animals, the classic small-image classification benchmark from the University of Toronto. Collected by Alex Krizhevsky, Vinod Nair, and Geoffrey Hinton as a hand-labeled subset of the 80 Million Tiny Images collection, with balanced, mutually exclusive classes. Source: Krizhevsky, "Learning Multiple Layers of Features from Tiny Images," University of Toronto tech report 2009; cs.toronto.edu/~kriz/cifar.html.

110 classes66 MBOct 23, 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.



Смотри: Как обучить модель классификации изображений на датасете CIFAR-10 с помощью Ultralytics YOLO

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 ориентир 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)
Валидационная выборка

В CIFAR-10 нет отдельной папки для валидации, поэтому по умолчанию Ultralytics использует тестовую выборку из 10 000 изображений для валидации во время обучения.

Применение#

CIFAR-10 широко используют 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, оценки новых алгоритмов и изучения основ компьютерного зрения.

Использование#

Обучи модель YOLO26n-cls на наборе данных CIFAR-10 в течение 100 эпох с размером изображения 32.

Пример обучения
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 хорошо структурирован для задач классификации изображений. Вот несколько примеров изображений из датасета:

Примеры изображений из датасета CIFAR-10 для классификации изображений

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:

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

Мы хотели бы поблагодарить Алекса Крижевского за создание и поддержку набора данных CIFAR-10, ценного ресурса для сообщества исследователей машинного обучения и компьютерного зрения.

Часто задаваемые вопросы#

  • Датасет CIFAR-10 широко используют для обучения и оценки моделей классификации изображений и распознавания объектов. Он содержит 60 000 цветных изображений размером 32x32, равномерно распределённых по 10 классам. Небольшой размер и сбалансированные классы делают его быстрым и надёжным ориентиром для алгоритмов вроде сверточных нейронных сетей (CNNs) и метода опорных векторов (SVMs).

  • Чтобы обучить модель Ultralytics YOLO на CIFAR-10, воспользуйся приведенными ниже фрагментами кода. При первом использовании датасет загружается автоматически. Полный список аргументов смотри на странице обучения модели.

    Пример обучения
    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)
  • В CIFAR-10 10 классов — самолет, автомобиль, птица, кошка, олень, собака, лягушка, лошадь, корабль и грузовик — ровно по 6 000 изображений в каждом, всего 60 000 изображений. Классы взаимоисключающие и идеально сбалансированные, категории не пересекаются.

  • В CIFAR-10 заранее заданы 50 000 обучающих и 10 000 тестовых изображений: ровно по 5 000 обучающих и 1 000 тестовых изображений на класс. В отличие от датасетов классификации на основе папок, которые Ultralytics делит автоматически, официальное разделение CIFAR-10 используется без изменений, а тестовая выборка по умолчанию служит валидационной во время обучения.

  • Да. Ultralytics Platform позволяет управлять датасетами, обучать модели классификации изображений и развертывать их без написания большого объема кода. Это удобный способ проводить эксперименты с CIFAR-10 в облаке. Другие варианты ты найдешь в нашем обзоре датасетов для классификации.

Комментарии

Задай вопрос, поделись результатами или помоги кому-нибудь.