Link to this sectionНабор данных CIFAR-10#

Набор данных CIFAR-10 (Канадский институт перспективных исследований) — это коллекция изображений, широко используемая для алгоритмов машинного обучения и компьютерного зрения. Он был разработан исследователями из института CIFAR и состоит из 60 000 цветных изображений размером 32x32 пикселя, распределенных по 10 различным классам.

Link to this sectionКлючевые особенности#

• Набор данных CIFAR-10 состоит из 60 000 изображений, разделенных на 10 классов.
• Каждый класс содержит 6 000 изображений, разделенных на 5 000 для обучения и 1 000 для тестирования.
• Изображения цветные и имеют размер 32x32 пикселя.
• 10 различных классов представляют собой самолеты, автомобили, птиц, кошек, оленей, собак, лягушек, лошадей, корабли и грузовики.
• CIFAR-10 часто используется для обучения и тестирования в области машинного обучения и компьютерного зрения.

Link to this sectionСтруктура набора данных#

Набор данных CIFAR-10 разделен на два подмножества:

1. Обучающий набор: Это подмножество содержит 50 000 изображений, используемых для обучения моделей машинного обучения.
2. Тестовая выборка (Testing Set): Это подмножество состоит из 10 000 изображений, используемых для тестирования и оценки обученных моделей.

Link to this sectionПрименение#

Набор данных CIFAR-10 широко используется для обучения и оценки моделей глубинного обучения в задачах классификации изображений, таких как сверточные нейронные сети (CNN), машины опорных векторов (SVM) и различные другие алгоритмы машинного обучения. Разнообразие набора данных с точки зрения классов и наличие цветных изображений делают его хорошо сбалансированным датасетом для исследований и разработок в области машинного обучения и компьютерного зрения.

Link to this sectionИспользование#

Чтобы обучить модель YOLO на наборе данных CIFAR-10 в течение 100 эпох с размером изображения 32x32, ты можешь использовать следующие фрагменты кода. Полный список доступных аргументов смотри на странице обучения.

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)

Link to this sectionПримеры изображений и аннотации#

Набор данных CIFAR-10 содержит цветные изображения различных объектов, предоставляя хорошо структурированный набор данных для задач классификации изображений. Вот несколько примеров изображений из этого набора:

Этот пример демонстрирует разнообразие и сложность объектов в наборе данных CIFAR-10, подчеркивая важность разнообразного датасета для обучения надежных моделей классификации изображений.

Link to this sectionЦитирование и благодарности#

Если ты используешь набор данных CIFAR-10 в своей исследовательской или проектной работе, пожалуйста, сошлись на следующую статью:

@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 в качестве ценного ресурса для сообщества исследователей машинного обучения и компьютерного зрения. Для получения дополнительной информации о наборе данных CIFAR-10 и его создателе посети веб-сайт набора данных CIFAR-10.

Link to this sectionFAQ#

Link to this sectionКак мне обучить модель YOLO на наборе данных CIFAR-10?#

Чтобы обучить модель YOLO на наборе данных CIFAR-10 с использованием Ultralytics, ты можешь следовать примерам, предоставленным как для Python, так и для CLI. Вот базовый пример обучения модели в течение 100 эпох с размером изображения 32x32 пикселя:

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)

Более подробную информацию можно найти на странице обучения.

Link to this sectionКаковы ключевые особенности набора данных CIFAR-10?#

Набор данных CIFAR-10 состоит из 60 000 цветных изображений, разделенных на 10 классов. Каждый класс содержит 6 000 изображений, из которых 5 000 используются для обучения, а 1 000 — для тестирования. Изображения имеют размер 32x32 пикселя и различаются по следующим категориям:

• Самолеты
• Автомобили
• Птицы
• Кошки
• Олени
• Собаки
• Лягушки
• Лошади
• Корабли
• Грузовики

Этот разнообразный набор данных необходим для обучения моделей классификации изображений в таких областях, как машинное обучение и компьютерное зрение. Для получения дополнительной информации посети разделы CIFAR-10 о структуре набора данных и применениях.

Link to this sectionЗачем использовать набор данных CIFAR-10 для задач классификации изображений?#

Набор данных CIFAR-10 является отличным эталоном для классификации изображений благодаря своему разнообразию и структуре. Он содержит сбалансированное сочетание 60 000 размеченных изображений по 10 различным категориям, что помогает при обучении надежных и обобщенных моделей. Он широко используется для оценки моделей глубинного обучения, включая сверточные нейронные сети (CNN) и другие алгоритмы машинного обучения. Набор данных относительно небольшой, что делает его подходящим для быстрых экспериментов и разработки алгоритмов. Изучи его многочисленные применения в разделе применения.

Link to this sectionКак структурирован набор данных CIFAR-10?#

Набор данных CIFAR-10 структурирован на два основных подмножества:

1. Обучающий набор: Содержит 50 000 изображений, используемых для обучения моделей машинного обучения.
2. Тестовый набор: Состоит из 10 000 изображений для тестирования и оценки обученных моделей.

Каждое подмножество включает изображения, разбитые на 10 классов, а их аннотации легко доступны для обучения и оценки моделей. Для получения более подробной информации обратись к разделу структура набора данных.

Link to this sectionКак я могу сослаться на набор данных CIFAR-10 в своем исследовании?#

Если ты используешь набор данных CIFAR-10 в своих исследованиях или проектах по разработке, обязательно укажи следующую статью:

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

Выражение признательности создателям набора данных помогает поддерживать дальнейшие исследования и разработки в этой области. Для получения дополнительной информации см. раздел цитирование и благодарности.

Link to this sectionКаковы практические примеры использования набора данных CIFAR-10?#

Набор данных CIFAR-10 часто используется для обучения моделей классификации изображений, таких как сверточные нейронные сети (CNN) и машины опорных векторов (SVM). Эти модели могут применяться в различных задачах компьютерного зрения, включая обнаружение объектов, распознавание изображений и автоматическую маркировку. Чтобы увидеть практические примеры, ознакомься с фрагментами кода в разделе использование.