Link to this sectionНабор данных CIFAR-100#

Набор данных CIFAR-100 (Канадский институт перспективных исследований) является важным расширением набора данных CIFAR-10 и состоит из 60 000 цветных изображений размером 32x32 пикселя, распределенных по 100 различным классам. Он был разработан исследователями института CIFAR и представляет собой более сложный набор данных для решения продвинутых задач машинного обучения и компьютерного зрения.

Link to this sectionКлючевые особенности#

• Набор данных CIFAR-100 состоит из 60 000 изображений, разделенных на 100 классов.
• Каждый класс содержит 600 изображений, разделенных на 500 для обучения и 100 для тестирования.
• Изображения цветные и имеют размер 32x32 пикселя.
• 100 различных классов сгруппированы в 20 укрупненных категорий для классификации более высокого уровня.
• CIFAR-100 широко используется для обучения и тестирования в области машинного обучения и компьютерного зрения.

Link to this sectionСтруктура набора данных#

Набор данных CIFAR-100 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-100 активно используется для обучения и оценки глубоких моделей в задачах классификации изображений, таких как сверточные нейронные сети (CNN), методы опорных векторов (SVM) и различные другие алгоритмы машинного обучения. Разнообразие набора данных с точки зрения классов и наличие цветных изображений делают его более сложным и комплексным ресурсом для исследований и разработок в области машинного обучения и компьютерного зрения.

Link to this sectionИспользование#

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

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)

Link to this sectionПримеры изображений и аннотации#

Набор данных CIFAR-100 содержит цветные изображения различных объектов, предоставляя хорошо структурированный набор данных для задач классификации изображений. Вот несколько примеров изображений из этого набора:

Пример демонстрирует разнообразие и сложность объектов в наборе данных CIFAR-100, подчеркивая важность использования разнообразных данных для обучения надежных моделей классификации изображений.

Link to this sectionЦитирование и благодарности#

Если ты используешь набор данных CIFAR-100 в своих исследованиях или разработках, пожалуйста, сошлися на следующую статью:

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

Мы хотели бы выразить признательность Алексу Крижевскому за создание и поддержку набора данных CIFAR-100 как ценного ресурса для сообщества исследователей в области машинного обучения и компьютерного зрения. Дополнительную информацию о наборе данных CIFAR-100 и его авторе можно найти на сайте набора данных CIFAR-100.

Link to this sectionFAQ#

Link to this sectionЧто такое набор данных CIFAR-100 и в чем его значимость?#

Датасет CIFAR-100 представляет собой обширную коллекцию из 60 000 цветных изображений размером 32x32 пикселя, распределенных по 100 классам. Разработанный Канадским институтом перспективных исследований (CIFAR), он является сложным набором данных, идеально подходящим для комплексных задач машинного обучения и компьютерного зрения. Его значимость заключается в разнообразии классов и небольшом размере изображений, что делает его ценным ресурсом для обучения и тестирования моделей глубокого обучения, таких как сверточные нейронные сети (CNN), с использованием таких фреймворков, как Ultralytics YOLO.

Link to this sectionКак обучить модель YOLO на наборе данных CIFAR-100?#

Ты можешь обучить модель YOLO на наборе данных CIFAR-100, используя Python или команды CLI. Вот как это сделать:

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)

Для получения полного списка доступных аргументов, пожалуйста, обратись к странице Обучение модели.

Link to this sectionКаковы основные сферы применения набора данных CIFAR-100?#

Датасет CIFAR-100 широко используется при обучении и оценке моделей глубокого обучения для классификации изображений. Его разнообразный набор из 100 классов, сгруппированных в 20 общих категорий, создает сложную среду для тестирования таких алгоритмов, как сверточные нейронные сети (CNN), метод опорных векторов (SVM) и различные другие подходы машинного обучения. Этот датасет является ключевым ресурсом в исследованиях и разработках в областях машинного обучения и компьютерного зрения, особенно для задач распознавания объектов и классификации.

Link to this sectionКак структурирован набор данных CIFAR-100?#

Набор данных CIFAR-100 разделен 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, используемых для тестирования и оценки производительности обученных моделей.

Каждый из 100 классов содержит 600 изображений: 500 для обучения и 100 для тестирования, что делает его уникально подходящим для строгих академических и промышленных исследований.

Link to this sectionГде я могу найти примеры изображений и аннотации из набора данных CIFAR-100?#

Датасет CIFAR-100 включает в себя множество цветных изображений различных объектов, что делает его структурированным набором данных для задач классификации изображений. Ты можешь обратиться к странице документации, чтобы посмотреть примеры изображений и аннотаций. Эти примеры подчеркивают разнообразие и сложность датасета, что важно для обучения надежных моделей классификации изображений. Чтобы найти другие датасеты, подходящие для задач классификации, ознакомься с обзором датасетов для классификации от Ultralytics.