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) — это классический бенчмарк для классификации изображений, содержащий 60 000 цветных изображений размером 32x32, равномерно распределённых по 10 классам: самолёт, автомобиль, птица, кошка, олень, собака, лягушка, лошадь, корабль и грузовик. Он включает заранее заданное разбиение на 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 оценки моделей классификации. Для более детализированной задачи см. связанный датасет CIFAR-100.

Открой CIFAR-10 на платформе Ultralytics, чтобы просмотреть примеры, изучить статистику датасета и клонировать его для обучения.

Ключевые особенности#

• CIFAR-10 содержит 60 000 цветных изображений размером 32x32 пикселя, равномерно разделённых на 10 классов.
• Каждый класс содержит ровно 6 000 изображений — 5 000 для обучения и 1 000 для тестирования, поэтому датасет идеально сбалансирован.
• 10 классов: самолёт, автомобиль, птица, кошка, олень, собака, лягушка, лошадь, корабль и грузовик.
• Датасет включает заранее заданное разбиение на обучающую и тестовую выборки, поэтому ручное или автоматическое разбиение не требуется.
• CIFAR-10 — стандартный бенчмарк для исследований в области классификации изображений и распознавания объектов.

Структура датасета#

CIFAR-10 включает официальное заранее заданное разбиение, поэтому автоматическое или ручное разделение не требуется:

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

Применения#

CIFAR-10 широко используется для обучения и оценки моделей классификации изображений — от классических свёрточных нейронных сетей (CNNs) и методов опорных векторов (SVMs) до современных глубоких архитектур. Небольшой размер изображений и сбалансированные классы делают его идеальным для быстрых экспериментов, тестирования 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 см. на странице Обучение и в руководстве по задаче классификации изображений.

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="cifar10", epochs=100, imgsz=32)

Примеры изображений и аннотаций#

Датасет CIFAR-10 содержит цветные изображения различных объектов и представляет собой хорошо структурированный набор данных для задач классификации изображений. Ниже приведены некоторые примеры изображений из датасета:

Примеры демонстрируют разнообразие объектов в датасете CIFAR-10 и подчёркивают ценность разнообразного датасета для обучения устойчивых моделей классификации изображений.

Цитирование и благодарности#

Если ты используешь датасет CIFAR-10 в исследовательской или разработческой работе, пожалуйста, процитируй следующую статью:

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

Мы хотели бы выразить благодарность Алексу Крижевскому за создание и поддержку датасета CIFAR-10 как ценного ресурса для сообщества исследователей в области машинного обучения и компьютерного зрения. Дополнительную информацию о датасете CIFAR-10 и его создателе см. на сайте датасета CIFAR-10.

Часто задаваемые вопросы#