Начать
Лицензия отсутствует

Датасет CIFAR-100

CIFAR-100 preview 1
CIFAR-100 preview 2
CIFAR-100 preview 3
CIFAR-100 preview 4
59,974
CIFAR-100
ultralytics
PublicClassify

Tiny 32x32 color photos of fine-grained objects, animals, plants, and scenes, the harder sibling of CIFAR-10 from the University of Toronto. Labeled by Alex Krizhevsky, Vinod Nair, and Geoffrey Hinton from the 80 Million Tiny Images collection; the source also groups classes into coarse superclasses, but only the fine labels are used here. Source: Krizhevsky, "Learning Multiple Layers of Features from Tiny Images," University of Toronto tech report 2009; cs.toronto.edu/~kriz/cifar.html.

100 classes66 MBOct 23, 2026
appleaquarium fishbabybear+96
image-classificationcifar100fine-grained+1

Датасет CIFAR-100 (Канадский институт перспективных исследований) — бенчмарк для классификации изображений, содержащий 60 000 цветных изображений размером 32x32, равномерно распределенных по 100 детализированным классам (по 600 изображений в каждом), которые, в свою очередь, объединены в 20 укрупненных суперклассов. Датасет, созданный Alex Krizhevsky, содержит заранее заданные 50 000 обучающих и 10 000 тестовых изображений и является более сложным и детализированным аналогом CIFAR-10.

Открой CIFAR-100 на Ultralytics Platform, чтобы просмотреть примеры, изучить статистику датасета и создать его копию для обучения.



Смотри: Как обучить модель классификации изображений на CIFAR-100 с помощью Ultralytics YOLO

Основные особенности#

  • CIFAR-100 содержит 60 000 цветных изображений размером 32x32 пикселя, равномерно распределенных по 100 классам.
  • В каждом классе ровно 600 изображений — 500 для обучения и 100 для тестирования, поэтому датасет идеально сбалансирован.
  • 100 детализированных классов сгруппированы в 20 укрупненных суперклассов для классификации на более высоком уровне.
  • Датасет содержит заранее заданное разделение на обучающую и тестовую выборки, поэтому вручную или автоматически делить данные не нужно.
  • CIFAR-100 — стандартный ориентир для исследований в области тонкой классификации изображений и распознавания объектов.

Структура набора данных#

В CIFAR-100 задано официальное разделение на выборки, поэтому автоматически или вручную делить данные не нужно:

  • Классы: 100 детализированных классов, сгруппированных в 20 укрупненных суперклассов
  • Всего изображений: 60 000 (цветные, размером 32x32)
  • Обучающая выборка: 50 000 изображений (по 500 на класс)
  • Тестовая выборка: 10 000 изображений (по 100 на класс)
Валидационная выборка

В CIFAR-100 нет отдельной папки для валидации, поэтому по умолчанию Ultralytics использует тестовую выборку из 10 000 изображений для валидации во время обучения. Обучение с data="cifar100" позволяет модели распознавать 100 детализированных классов.

Применение#

CIFAR-100 широко используют для обучения и оценки моделей классификации изображений: от классических сверточных нейронных сетей (CNNs) и метода опорных векторов (SVMs) до современных глубоких архитектур. Сто тонких классов и небольшой размер изображений делают его сложным ориентиром для исследований в области машинного обучения, сравнения алгоритмов и экспериментов с компьютерным зрением.

Использование#

Обучи модель YOLO26n-cls на наборе данных CIFAR-100 в течение 100 эпох с размером изображения 32.

Пример обучения
from ultralytics import YOLO

# Загрузить модель
model = YOLO("yolo26n-cls.pt")  # загрузить предварительно обученную модель (рекомендуется для обучения)

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

Примеры изображений и аннотаций#

Примеры изображений из датасета CIFAR-100:

Примеры из датасета CIFAR-100 для классификации изображений

Примеры демонстрируют разнообразие объектов в датасете CIFAR-100 и показывают, насколько разнообразный датасет важен для обучения надежных моделей классификации изображений.

Цитирование и благодарности#

Если ты используешь датасет CIFAR-100 в исследованиях или разработке, укажи в цитировании следующую статью:

Цитирование
@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 набора данных CIFAR-100, ценного ресурса для сообщества исследователей машинного обучения и компьютерного зрения.

Часто задаваемые вопросы#

  • Датасет CIFAR-100 широко используют для обучения и оценки моделей тонкой классификации изображений и распознавания объектов. Он содержит 60 000 цветных изображений размером 32x32, распределённых по 100 классам и объединённых в 20 суперклассов. Это более сложный ориентир, чем CIFAR-10, для алгоритмов вроде сверточных нейронных сетей (CNNs) и метода опорных векторов (SVMs), а также для оценки моделей глубокого обучения, созданных с помощью Ultralytics YOLO.

  • Чтобы обучить модель Ultralytics YOLO на CIFAR-100, используй приведенные ниже фрагменты кода. При первом использовании датасет загружается автоматически. Полный список аргументов смотри на странице обучения модели.

    Пример обучения
    from ultralytics import YOLO
    
    # Загрузить модель
    model = YOLO("yolo26n-cls.pt")  # загрузить предварительно обученную модель (рекомендуется для обучения)
    
    # Обучить модель
    results = model.train(data="cifar100", epochs=100, imgsz=32)
  • В CIFAR-100 100 детализированных классов — например, яблоко, дельфин, клен, мотоцикл и ракета, — в каждом ровно по 600 изображений, всего 60 000 изображений. Эти 100 классов также сгруппированы в 20 укрупненных суперклассов (например, суперкласс деревьев включает клен, дуб, пальму, сосну и иву). При обучении с помощью data="cifar100" используются 100 детализированных классов.

  • CIFAR-100 поставляется с заранее заданным разделением на 50 000 обучающих и 10 000 тестовых изображений: на каждый класс приходится ровно 500 обучающих и 100 тестовых изображений. В отличие от классификационных датасетов, организованных по папкам и автоматически разделяемых Ultralytics, официальное разбиение CIFAR-100 используется без изменений, а тестовая выборка по умолчанию служит валидационной при обучении.

  • Да. Ultralytics Platform позволяет управлять датасетами, обучать модели классификации изображений и развертывать их без сложного программирования. Это удобный способ запускать эксперименты с CIFAR-100 в облаке; больше вариантов ты найдешь в нашем обзоре датасетов для классификации.

Комментарии

Задай вопрос, поделись результатами или помоги кому-нибудь.