Набор данных CIFAR-100#

59,974

CIFAR-100

ultralytics

publicClassify

CIFAR-100 is the fine-grained Canadian Institute for Advanced Research benchmark. This reviewed package contains 59,974 unique 32 x 32 RGB images across 100 classes, with 26 exact source duplicates removed to prevent train-test leakage; it retains 49,976 train and 9,998 test images. Created by Alex Krizhevsky, Vinod Nair, and Geoffrey Hinton; cite the CIFAR technical report.

100 classes66 MBAug 21, 2026

appleaquarium fishbabybear+96

image-classificationcifar100fine-grained+1

Датасет CIFAR-100 (Canadian Institute For Advanced Research) представляет собой бенчмарк для классификации изображений, состоящий из 60 000 цветных изображений размером 32x32, равномерно распределенных по 100 детализированным классам (по 600 изображений на каждый), которые, в свою очередь, объединены в 20 укрупненных суперклассов. Созданный Алексом Крижевским (Alex Krizhevsky), он поставляется с предопределенным разделением на 50 000 обучающих и 10 000 тестовых изображений, что делает его более сложным и детализированным аналогом датасета CIFAR-10.

Изучи CIFAR-100 on 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 распределенных по 100 классам.
• Каждый класс содержит ровно 600 изображений — 500 для обучения и 100 для тестирования, поэтому набор данных идеально сбалансирован.
• 100 детализированных классов объединены в 20 укрупненных суперклассов для классификации более высокого уровня.
• Набор данных поставляется с предустановленным разделением на обучающую и тестовую выборки, поэтому ручное или автоматическое разделение не требуется.
• CIFAR-100 — это стандартный бенчмарк для исследований в области детализированной классификации изображений и распознавания объектов.

Структура набора данных#

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

• Классы: 100 детализированных классов, объединенных в 20 укрупненных суперклассов
• Всего изображений: 60 000 (32x32 цветных)
• Обучающий набор: 50 000 изображений (500 на класс)
• Тестовый набор: 10 000 изображений (100 на класс)

Применение#

CIFAR-100 широко используется для обучения и оценки моделей классификации изображений: от классических сверточных нейронных сетей (CNN) и метод опорных векторов (SVM) до современных глубоких архитектур. Его 100 детализированных классов и небольшой размер изображений делают его требовательным бенчмарком для исследований в области машинного обучения, сравнения алгоритмов и экспериментов с компьютерным зрением.

Использование#

Обучи модель YOLO на CIFAR-100 в течение 100 эпох при размере изображения 32. Полный список доступных аргументов см. на странице Обучение и в руководстве по задаче классификация 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 аннотации#

Примеры изображений из набора данных CIFAR-100:

Эти примеры демонстрируют разнообразие объектов в наборе данных CIFAR-100, подчеркивая ценность разнообразного набора данных для обучения надежных моделей классификации изображений.

Цитирование 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 выражаем благодарность Алексу Крижевскому за создание и поддержку датасета CIFAR-100 в качестве ценного ресурса для сообщества исследователей в области машинного обучения и компьютерного зрения. Дополнительную информацию о датасете CIFAR-100 и его создателе можно найти на сайте датасета CIFAR-100.

FAQ#