Набор данных CIFAR-100

Набор данных CIFAR-100 (Canadian Institute For Advanced Research) - это значительное расширение набора данных CIFAR-10, состоящего из 60 000 цветных изображений 32x32 в 100 различных классах. Он был разработан исследователями института CIFAR и предлагает более сложный набор данных для решения более сложных задач машинного обучения и компьютерного зрения.

Основные характеристики

• 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 грубых категорий для классификации на более высоком уровне.
• CIFAR-100 широко используется для обучения и тестирования в области машинного обучения и компьютерного зрения.

Структура набора данных

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

Приложения

Набор данных CIFAR-100 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 набора данных с точки зрения классов и наличие цветных изображений делают его более сложным и всеобъемлющим набором данных для исследований и разработок в области машинного обучения и компьютерного зрения.

Использование

Для обучения модели YOLO на наборе данных CIFAR-100 в течение 100 эпох при размере изображения 32x32 можно использовать следующие фрагменты кода. Полный список доступных аргументов см. на странице обучения модели.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n-cls.pt")  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data="cifar100", epochs=100, imgsz=32)

# Start training from a pretrained *.pt model
yolo classify train data=cifar100 model=yolo11n-cls.pt epochs=100 imgsz=32

Образцы изображений и аннотаций

Набор данных CIFAR-100 содержит цветные изображения различных объектов и представляет 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-100, подчеркивая важность разнообразных наборов данных для обучения надежных моделей классификации изображений.

Цитаты и благодарности

Если вы используете набор данных CIFAR-100 в своих исследованиях или разработках, пожалуйста, ссылайтесь на следующий документ:

@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-100 как ценного ресурса для сообщества исследователей машинного обучения и компьютерного зрения. Более подробную информацию о наборе данных CIFAR-100 и его создателе можно найти на сайте набора данных CIFAR-100.

ЧАСТО ЗАДАВАЕМЫЕ ВОПРОСЫ

Что такое набор данных CIFAR-100 и почему он так важен?

Набор данных CIFAR-100 - это большая коллекция из 60 000 цветных изображений 32x32, разделенных на 100 классов. Разработанная Канадским институтом передовых исследований (CIFAR), она представляет собой сложный набор данных, идеально подходящий для решения сложных задач машинного обучения и компьютерного зрения. Ее значимость заключается в разнообразии классов и небольшом размере изображений, что делает ее ценным ресурсом для обучения и тестирования моделей глубокого обучения, таких как конволюционные нейронные сети (CNN), с использованием таких фреймворков, как Ultralytics YOLO .

Как обучить модель YOLO на наборе данных CIFAR-100?

Вы можете обучить модель YOLO на наборе данных CIFAR-100 с помощью команд Python или CLI . Вот как это делается:

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n-cls.pt")  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data="cifar100", epochs=100, imgsz=32)

# Start training from a pretrained *.pt model
yolo classify train data=cifar100 model=yolo11n-cls.pt epochs=100 imgsz=32

Полный список доступных аргументов можно найти на странице обучения моделей.

Каковы основные области применения набора данных CIFAR-100?

Набор данных CIFAR-100 широко используется для обучения и оценки моделей глубокого обучения для классификации изображений. Его разнообразный набор из 100 классов, сгруппированных в 20 грубых категорий, представляет собой сложную среду для тестирования таких алгоритмов, как конволюционные нейронные сети (CNN), машины опорных векторов (SVM) и различные другие подходы машинного обучения. Этот набор данных является ключевым ресурсом для исследований и разработок в области машинного обучения и компьютерного зрения.

Как структурирован набор данных CIFAR-100?

Набор данных CIFAR-100 разделен на два основных подмножества:

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

Каждый из 100 классов содержит 600 изображений, из них 500 изображений для обучения и 100 для тестирования, что делает эту систему уникальной для тщательных академических и промышленных исследований.

Где можно найти примеры изображений и аннотаций из набора данных CIFAR-100?

Набор данных CIFAR-100 включает в себя множество цветных изображений различных объектов, что делает его структурированным набором данных для задач классификации изображений. Вы можете обратиться к странице документации, чтобы посмотреть примеры изображений и аннотаций. Эти примеры подчеркивают разнообразие и сложность набора данных, что важно для обучения надежных моделей классификации изображений.

📅 Создано 1 год назад ✏️ Обновлено 2 месяца назад

Комментарии