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 32х32 в 100 различных классах. Он был разработан исследователями из 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 32х32 пикселя.
• 100 различных классов сгруппированы в 20 грубых категорий для классификации более высокого уровня.
• CIFAR-100 обычно используется для обучения и тестирования в области машинного обучения и компьютерного зрения.

Структура набора данных

Набор данных CIFAR-100 разбит 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, которые используются для тестирования и бенчмаркинга 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

Чтобы обучить модель YOLO на наборе данных CIFAR-100 в течение 100 эпох с размером изображения 32x32, ты можешь воспользоваться следующими фрагментами кода. Полный список доступных аргументов можно найти на странице обучения модели.

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n-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 detect train data=cifar100 model=yolov8n-cls.pt epochs=100 imgsz=32

Примеры изображений и аннотаций

Набор данных CIFAR-100 содержит цветные изображения различных объектов, представляя 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 ты используешь набор данных CIFAR-100 в своих исследованиях или разработках, пожалуйста, ссылайся на следующую статью:

@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. Чтобы узнать больше о наборе данных CIFAR-100 и его создателе, посети сайт CIFAR-100 dataset.

ВОПРОСЫ И ОТВЕТЫ

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 перспективных 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 помощью таких фреймворков, как Ultralytics YOLO .

Как обучить модель YOLO на наборе данных CIFAR-100?

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

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n-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 detect train data=cifar100 model=yolov8n-cls.pt epochs=100 imgsz=32

Полный список доступных аргументов ты найдешь 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 устроен набор данных CIFAR-100?

Набор данных CIFAR-100 разбит 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, которые используются для проверки и бенчмаркинга обученных моделей.

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

Где я могу найти примеры изображений и аннотации к ним 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. Ты можешь 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.

Комментарии