YOLO Vision 2026:
No license

Набор данных CIFAR-10#

Датасет CIFAR-10 (Canadian Institute For Advanced Research) — это классический бенчмарк для image classification, состоящий из 60 000 цветных изображений размером 32x32, равномерно распределенных по 10 классам: самолет, автомобиль, птица, кошка, олень, собака, лягушка, лошадь, корабль и грузовик. Он поставляется с предопределенным разделением на 50 000 обучающих и 10 000 тестовых изображений (по 6 000 на класс), что делает его легкой и сбалансированной отправной точкой для обучения и тестирования моделей классификации. Более сложную задачу см. в связанном датасете CIFAR-100.

Изучи CIFAR-10 on Ultralytics Platform, чтобы посмотреть примеры, изучить статистику датасета и клонировать его для обучения.



Watch: How to Train an Image Classification Model with CIFAR-10 Dataset using Ultralytics YOLO

Ключевые особенности#

  • CIFAR-10 содержит 60 000 цветных изображений размером 32x32 пикселя, равномерно распределенных по 10 классам.
  • Каждый класс содержит ровно 6 000 изображений — 5 000 для обучения и 1 000 для тестирования, поэтому набор данных идеально сбалансирован.
  • В наборе 10 классов: самолет, автомобиль, птица, кошка, олень, собака, лягушка, лошадь, корабль и грузовик.
  • Набор данных поставляется с предустановленным разделением на обучающую и тестовую выборки, поэтому ручное или автоматическое разделение не требуется.
  • CIFAR-10 — это стандартный бенчмарк для исследований в области image classification и распознавания объектов.

Структура набора данных#

CIFAR-10 поставляется с официальным, предопределенным разделением, поэтому автоматическое или ручное разбиение не требуется:

  • Классы: 10 (самолет, автомобиль, птица, кошка, олень, собака, лягушка, лошадь, корабль, грузовик)
  • Всего изображений: 60 000 (32x32 цветных)
  • Тренировочный набор: 50 000 изображений (5 000 на класс)
  • Тестовый набор: 10 000 изображений (1 000 на класс)
Валидационная выборка

В CIFAR-10 нет отдельной папки валидации, поэтому Ultralytics по умолчанию использует тестовый набор из 10 000 изображений в качестве валидационной выборки во время обучения.

Применение#

CIFAR-10 широко используется для обучения и оценки моделей image classification, от классических Convolutional Neural Networks (CNN) и Support Vector Machines (SVM) до современных глубоких архитектур. Небольшой размер изображений и сбалансированные классы делают его идеальным для быстрых экспериментов, бенчмаркинга новых алгоритмов и обучения основам computer vision.

Использование#

Обучи модель YOLO на CIFAR-10 в течение 100 epochs при размере изображения 32. Полный список доступных аргументов см. на странице Training и в руководстве по задаче image classification.

Пример 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)

Примеры изображений и аннотации#

Датасет CIFAR-10 содержит цветные изображения различных объектов, предоставляя хорошо структурированный набор данных для задач image classification. Вот несколько примеров изображений из датасета:

CIFAR-10 image classification dataset samples

Примеры демонстрируют разнообразие объектов в наборе данных CIFAR-10, подчеркивая ценность разнообразного набора данных для обучения надежных моделей классификации изображений.

Цитирование и благодарности#

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

Цитата
@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 в качестве ценного ресурса для исследовательского сообщества machine learning и computer vision. Для получения дополнительной информации о датасете CIFAR-10 и его создателе посетите сайт датасета CIFAR-10.

FAQ#

  • Датасет CIFAR-10 широко используется для обучения и бенчмаркинга моделей image classification и распознавания объектов. Он содержит 60 000 цветных изображений размером 32x32, равномерно распределенных по 10 классам, а его небольшой размер и сбалансированные классы делают его быстрым и надежным бенчмарком для таких алгоритмов, как свёрточные Neural Networks (CNN) и машины опорных векторов (SVM).

  • Чтобы обучить модель Ultralytics YOLO на CIFAR-10, используй фрагменты кода ниже. Датасет скачивается автоматически при первом использовании. Полный список аргументов см. на странице Training модели.

    Пример 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)

  • В CIFAR-10 10 классов — самолет, автомобиль, птица, кошка, олень, собака, лягушка, лошадь, корабль и грузовик — по 6 000 изображений в каждом, всего 60 000 изображений. Классы являются взаимоисключающими и идеально сбалансированными, без пересечений между категориями.

  • CIFAR-10 поставляется с предопределенным разделением на 50 000 тренировочных и 10 000 тестовых изображений, по 5 000 тренировочных и 1 000 тестовых изображений на класс. В отличие от наборов данных для классификации на основе папок, которые Ultralytics разделяет автоматически, официальное разбиение CIFAR-10 используется как есть, а тестовый набор по умолчанию служит валидационной выборкой во время обучения.

  • Да. Ultralytics Platform позволяет управлять датасетами, обучать модели image classification и развертывать их без написания большого объема кода. Это удобный способ запускать эксперименты с CIFAR-10 в облаке, а изучить другие варианты можно в нашем обзоре датасетов классификации.

Участники
GLglenn-jocher14RAraimbekovm2RIRizwanMunawar2JKjk4e2MAMatthewNoyce1AMambitious-octopus1

Комментарии