Датасет CIFAR-100#

59,974

CIFAR-100

ultralytics

publicClassify

CIFAR-100 is Krizhevsky, Nair, and Hinton's fine-grained 32 x 32 RGB classification benchmark. Its 100 classes are grouped into 20 superclasses, enabling evaluation of both specific object recognition and broader semantic categorization.

100 classes66 MBSep 2, 2026

appleaquarium fishbabybear+96

image-classificationcifar100fine-grained+1

Датасет CIFAR-100 (Канадский институт перспективных исследований) — это эталонный набор данных для классификации изображений, содержащий 60 000 цветных изображений размером 32x32, равномерно распределённых по 100 мелкозернистым классам (по 600 изображений в каждом), которые, в свою очередь, объединены в 20 укрупнённых суперклассов. Созданный Алексом Крижевским, он поставляется с предопределённым разделением на 50 000 обучающих и 10 000 тестовых изображений, что делает его более сложным и детализированным аналогом датасета CIFAR-10.

Перейди на страницу CIFAR-100 в Ultralytics Platform, чтобы просмотреть примеры, изучить статистику датасета и клонировать его для обучения.

Ключевые особенности#

• CIFAR-100 содержит 60 000 цветных изображений размером 32x32 пикселя, равномерно распределённых по 100 классам.
• Каждый класс содержит ровно 600 изображений — 500 для обучения и 100 для тестирования, поэтому датасет идеально сбалансирован.
• 100 мелкозернистых классов объединены в 20 укрупнённых суперклассов для классификации на более высоком уровне.
• Датасет включает заранее заданное разбиение на обучающую и тестовую выборки, поэтому ручное или автоматическое разбиение не требуется.
• CIFAR-100 — это стандартный эталонный набор данных для исследований в области мелкозернистой классификации изображений и распознавания объектов.

Структура датасета#

CIFAR-100 поставляется с официальным предопределённым разделением, поэтому автоматическое или ручное разбиение не требуется:

• Классы: 100 мелкозернистых классов, объединённых в 20 укрупнённых суперклассов
• Всего изображений: 60 000 (цветные, 32x32)
• Обучающая выборка: 50 000 изображений (по 500 на класс)
• Тестовая выборка: 10 000 изображений (по 100 на класс)

Применения#

CIFAR-100 широко используется для обучения и оценки моделей классификации изображений — от классических свёрточных нейронных сетей (CNNs) и методов опорных векторов (SVMs) до современных глубоких архитектур. Его 100 мелкозернистых классов и небольшой размер изображений делают его сложным эталонным набором данных для исследований в области машинного обучения, сравнения алгоритмов и экспериментов в области компьютерного зрения.

Использование#

Обучи модель YOLO на CIFAR-100 в течение 100 эпох с размером изображения 32. Полный список доступных аргументов приведён на странице обучения 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="cifar100", epochs=100, imgsz=32)

Примеры изображений и аннотаций#

Примеры изображений из датасета CIFAR-100:

Примеры демонстрируют разнообразие объектов в датасете CIFAR-100 и подчёркивают ценность разнообразного датасета для обучения устойчивых моделей классификации изображений.

Цитирование и благодарности#

Если ты используешь датасет CIFAR-100 в исследовательской или практической 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 поблагодарить Алекса Крижевского за создание и поддержку датасета CIFAR-100 как ценного ресурса для исследовательского сообщества в области машинного обучения и компьютерного зрения. Дополнительную информацию о датасете CIFAR-100 и его создателе можно найти на веб-сайте датасета CIFAR-100.

Часто задаваемые вопросы#