Başla

CIFAR-10 Veri Kümesi

CIFAR-10 preview 1
CIFAR-10 preview 2
CIFAR-10 preview 3
CIFAR-10 preview 4
60,000
CIFAR-10
ultralytics
PublicClassify

Tiny 32x32 color photos of common vehicles and animals, the classic small-image classification benchmark from the University of Toronto. Collected by Alex Krizhevsky, Vinod Nair, and Geoffrey Hinton as a hand-labeled subset of the 80 Million Tiny Images collection, with balanced, mutually exclusive classes. Source: Krizhevsky, "Learning Multiple Layers of Features from Tiny Images," University of Toronto tech report 2009; cs.toronto.edu/~kriz/cifar.html.

110 classes66 MBOct 23, 2026
airplaneautomobilebirdcat+6
image-classificationcifar10object-recognition+1

CIFAR-10 (İleri Araştırmalar için Kanada Enstitüsü) veri kümesi, 10 sınıfa eşit olarak dağıtılmış 60.000 adet 32x32 renkli görüntüden oluşan klasik bir görüntü sınıflandırma kıyaslama veri kümesidir: uçak, otomobil, kuş, kedi, geyik, köpek, kurbağa, at, gemi ve kamyon. Önceden tanımlanmış bölmesi 50.000 eğitim ve 10.000 test görüntüsü içerir (sınıf başına 6.000 görüntü); bu da onu sınıflandırma modellerini eğitmek ve kıyaslamak için hafif ve dengeli bir başlangıç noktası hâline getirir. Daha ince ayrıntılı bir zorluk için ilgili CIFAR-100 veri kümesine bak.

Örnekleri önizlemek, veri kümesi istatistiklerini incelemek ve eğitim için klonlamak üzere Ultralytics Platform'da CIFAR-10'u keşfet.



İzle: Ultralytics YOLO ile CIFAR-10 Veri Kümesini Kullanarak Görüntü Sınıflandırma Modeli Eğitme

Temel Özellikler#

  • CIFAR-10, 10 sınıfa eşit olarak bölünmüş, 32x32 piksel boyutunda 60.000 renkli görüntü içerir.
  • Her sınıfta tam 6.000 görüntü bulunur: 5.000 eğitim ve 1.000 test görüntüsü. Bu nedenle veri kümesi tamamen dengelidir.
  • 10 sınıf şunlardır: uçak, otomobil, kuş, kedi, geyik, köpek, kurbağa, at, gemi ve kamyon.
  • Veri kümesi önceden tanımlanmış bir eğitim/test bölmesiyle sunulur; bu nedenle elle veya otomatik bölme gerekmez.
  • CIFAR-10, görüntü sınıflandırma ve nesne tanıma araştırmaları için standart bir kıyaslama veri kümesidir.

Veri Kümesi Yapısı#

CIFAR-10, resmî ve önceden tanımlanmış bir bölmeyle sunulur; bu nedenle otomatik veya elle bölümleme gerekmez:

  • Sınıflar: 10 (uçak, otomobil, kuş, kedi, geyik, köpek, kurbağa, at, gemi, kamyon)
  • Toplam görüntü: 60.000 (32x32 renkli)
  • Eğitim kümesi: 50.000 görüntü (sınıf başına 5.000)
  • Test kümesi: 10.000 görüntü (sınıf başına 1.000)
Doğrulama bölümü

CIFAR-10'un ayrı bir doğrulama klasörü yoktur; bu nedenle Ultralytics, eğitim sırasında varsayılan olarak 10.000 görüntülük test kümesini doğrulama bölmesi olarak kullanır.

Uygulamalar#

CIFAR-10, klasik Evrişimli Sinir Ağlarından (CNNs) ve Destek Vektör Makinelerinden (SVMs) modern derin mimarilere kadar görüntü sınıflandırma modellerini eğitmek ve değerlendirmek için yaygın olarak kullanılır. Küçük görüntü boyutu ve dengeli sınıfları, onu hızlı deneyler, yeni algoritmaları kıyaslama ve bilgisayarlı görü temellerini öğretme için ideal kılar.

Kullanım#

Eğit bir YOLO26n-cls modeli CIFAR-10 veri kümesinde 32 görüntü boyutunda 100 epoch boyunca.

Eğitim Örneği
from ultralytics import YOLO

# Bir model yükle
model = YOLO("yolo26n-cls.pt")  # Önceden eğitilmiş bir model yükle (eğitim için önerilir)

# Modeli eğit
results = model.train(data="cifar10", epochs=100, imgsz=32)

Örnek Görüntüler ve Ek Açıklamalar#

CIFAR-10 veri kümesi, görüntü sınıflandırma görevleri için iyi yapılandırılmış bir veri kümesi sunan, çeşitli nesnelerin renkli görüntülerini içerir. Veri kümesindeki bazı görüntü örnekleri şöyle:

CIFAR-10 görüntü sınıflandırma veri kümesi örnekleri

Örnekler, CIFAR-10 veri kümesindeki nesnelerin çeşitliliğini göstererek sağlam görüntü sınıflandırma modellerini eğitmek için çeşitli bir veri kümesinin değerini vurgular.

Atıflar ve Teşekkürler#

CIFAR-10 veri kümesini araştırma veya geliştirme çalışmalarında kullanıyorsan lütfen aşağıdaki makaleye atıfta bulun:

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

Makine öğrenimi ve bilgisayarlı görü araştırma topluluğu için değerli bir kaynak olan CIFAR-10 veri kümesini oluşturup sürdürdüğü için Alex Krizhevsky'ye teşekkür etmek isteriz.

Sık Sorulan Sorular#

  • CIFAR-10 veri kümesi, görüntü sınıflandırma ve nesne tanıma modellerini eğitmek ve kıyaslamak için yaygın olarak kullanılır. 10 sınıfa eşit dağılmış, 32x32 boyutlarında 60.000 renkli görüntü içerir. Küçük boyutu ve dengeli sınıfları, Evrişimli Sinir Ağları (CNNs) ve Destek Vektör Makineleri (SVMs) gibi algoritmalar için hızlı ve güvenilir bir kıyaslama ortamı sunar.

  • CIFAR-10 üzerinde bir Ultralytics YOLO modeli eğitmek için aşağıdaki kod parçacıklarını kullan. Veri kümesi ilk kullanımda otomatik olarak indirilir. Bağımsız değişkenlerin tam listesi için modelin Eğitim sayfasına bak.

    Eğitim Örneği
    from ultralytics import YOLO
    
    # Bir model yükle
    model = YOLO("yolo26n-cls.pt")  # Önceden eğitilmiş bir model yükle (eğitim için önerilir)
    
    # Modeli eğit
    results = model.train(data="cifar10", epochs=100, imgsz=32)
  • CIFAR-10'da uçak, otomobil, kuş, kedi, geyik, köpek, kurbağa, at, gemi ve kamyon olmak üzere 10 sınıf bulunur; her sınıfta tam 6.000 görüntü, toplamda ise 60.000 görüntü vardır. Sınıflar birbirini dışlar ve tamamen dengelidir; kategoriler arasında örtüşme yoktur.

  • CIFAR-10, 50.000 eğitim ve 10.000 test görüntüsünden oluşan önceden tanımlanmış bir bölmeyle sunulur; her sınıfta tam 5.000 eğitim ve 1.000 test görüntüsü bulunur. Ultralytics'in otomatik olarak böldüğü klasör tabanlı sınıflandırma veri kümelerinden farklı olarak CIFAR-10'un resmî bölümü olduğu gibi kullanılır ve eğitim sırasında varsayılan olarak test kümesi doğrulama bölmesi işlevi görür.

  • Evet. Ultralytics Platform, veri kümelerini yönetmeni, görüntü sınıflandırma modellerini eğitmeni ve kapsamlı kodlama yapmadan dağıtmanı sağlar. CIFAR-10 deneylerini bulutta yürütmenin kullanışlı bir yoludur; ayrıca sınıflandırma veri kümelerine genel bakışımızda daha fazla seçeneği keşfedebilirsin.

Yorumlar

Bir soru sor, sonuçlarını paylaş veya başka birine yardım et.