Набор данных CIFAR-10

Набор данных CIFAR-10 (Canadian Institute For Advanced Research) - 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 32х32 в 10 различных классах.

Смотри: Как обучить модель классификации изображений на наборе данных CIFAR-10 с помощью Ultralytics YOLOv8

Основные характеристики

• 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 32х32 пикселя.
• В 10 различных классах представлены самолеты, машины, птицы, кошки, олени, собаки, лягушки, лошади, корабли и грузовики.
• CIFAR-10 обычно используется для обучения и тестирования в области машинного обучения и компьютерного зрения.

Структура набора данных

Набор данных CIFAR-10 разбит на два подмножества:

1. Набор для обучения: Этот поднабор содержит 50 000 изображений, используемых для обучения моделей машинного обучения.
2. Набор для тестирования: Это подмножество состоит из 10 000 изображений, которые используются для тестирования и бенчмаркинга обученных моделей.

Приложения

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

Использование

Чтобы обучить модель YOLO на наборе данных CIFAR-10 в течение 100 эпох с размером изображения 32x32, ты можешь воспользоваться следующими фрагментами кода. Полный список доступных аргументов можно найти на странице обучения модели.

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n-cls.pt")  # load a pretrained model (recommended for training)

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

# Start training from a pretrained *.pt model
yolo detect train data=cifar10 model=yolov8n-cls.pt epochs=100 imgsz=32

Примеры изображений и аннотаций

Набор данных CIFAR-10 содержит цветные изображения различных объектов, представляя собой 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 разнообразных наборов данных для обучения надежных моделей классификации изображений.

Цитаты и благодарности

Если ты используешь набор данных CIFAR-10 в своих исследованиях или разработках, пожалуйста, ссылайся на 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 набора данных CIFAR-10 как ценного ресурса для сообщества исследователей машинного обучения и компьютерного зрения. Чтобы узнать больше о наборе данных CIFAR-10 и его создателе, посети сайт CIFAR-10 dataset.

ВОПРОСЫ И ОТВЕТЫ

Как обучить модель YOLO на наборе данных CIFAR-10?

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

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n-cls.pt")  # load a pretrained model (recommended for training)

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

# Start training from a pretrained *.pt model
yolo detect train data=cifar10 model=yolov8n-cls.pt epochs=100 imgsz=32

Более подробную информацию ты найдешь на странице " Обучение модели".

Каковы 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 предназначены для обучения и 1 000 - для тестирования. Изображения имеют размер 32х32 пикселя и относятся к следующим категориям:

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

Этот разнообразный набор данных необходим для обучения моделей классификации изображений в таких областях, как машинное обучение и компьютерное зрение. За дополнительной информацией обращайся к разделам CIFAR-10, посвященным структуре набора данных и приложениям.

Почему стоит 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 сбалансированную смесь из 60 000 помеченных изображений по 10 различным категориям, что помогает в обучении надежных и обобщенных моделей. Он широко используется для оценки моделей глубокого обучения, включая конволюционные 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 " Приложения ".

Как устроен набор данных CIFAR-10?

Набор данных CIFAR-10 состоит из двух основных подмножеств:

1. Набор для обучения: Содержит 50 000 изображений, используемых для обучения моделей машинного обучения.
2. Набор для тестирования: Состоит из 10 000 изображений для проверки и бенчмарка обученных моделей.

Каждое подмножество включает в себя изображения, распределенные по 10 классам, аннотации к которым легко доступны для обучения и оценки модели. Более подробную информацию ты найдешь в разделе " Структура набора данных ".

Как я могу ссылаться на набор данных CIFAR-10 в своих исследованиях?

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

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

Благодарность создателям набора данных помогает поддерживать дальнейшие исследования и разработки в этой области. Подробнее об этом читай в разделе " Цитаты и благодарности ".

Какие есть практические примеры использования набора данных CIFAR-10?

Набор данных CIFAR-10 часто используется для обучения моделей классификации изображений, таких как конволюционные 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 несколько практических примеров, посмотри фрагменты кода в разделе " Использование ".

Комментарии