Tập dữ liệu CIFAR-10#

60,000

CIFAR-10

ultralytics

publicClassify

CIFAR-10 is the Canadian Institute for Advanced Research benchmark of 60,000 unique 32 x 32 RGB images across 10 balanced object classes, with the official 50,000-image train and 10,000-image test splits. Created by Alex Krizhevsky, Vinod Nair, and Geoffrey Hinton; cite the CIFAR technical report.

10 classes66 MBAug 21, 2026

airplaneautomobilebirdcat+6

image-classificationcifar10object-recognition+1

Bộ dữ liệu CIFAR-10 (Canadian Institute For Advanced Research) là một benchmark phân loại ảnh kinh điển gồm 60.000 ảnh màu 32x32 được chia đều cho 10 lớp — máy bay, ô tô, chim, mèo, hươu, chó, ếch, ngựa, tàu thủy và xe tải. Bộ dữ liệu đi kèm với phân chia định sẵn gồm 50.000 ảnh huấn luyện và 10.000 ảnh kiểm tra (6.000 ảnh mỗi lớp), tạo thành một điểm khởi đầu nhẹ nhàng, cân đối để huấn luyện và benchmark các model phân loại. Để có thử thách chi tiết hơn, hãy xem bộ dữ liệu CIFAR-100 liên quan.

Khám phá CIFAR-10 trên Ultralytics Platform để xem trước các mẫu, kiểm tra thống kê tập dữ liệu và nhân bản nó để huấn luyện.

Tính năng chính#

• CIFAR-10 chứa 60.000 hình ảnh màu có kích thước 32x32 pixel, được chia đều thành 10 lớp.
• Mỗi lớp có chính xác 6.000 hình ảnh — 5.000 ảnh để huấn luyện và 1.000 ảnh để kiểm tra — do đó tập dữ liệu này hoàn toàn cân bằng.
• 10 lớp bao gồm máy bay, ô tô, chim, mèo, hươu, chó, ếch, ngựa, tàu thủy và xe tải.
• Tập dữ liệu đi kèm với phân chia train/test định sẵn, vì vậy không cần thực hiện việc chia dữ liệu thủ công hay tự động.
• CIFAR-10 là một benchmark tiêu chuẩn cho nghiên cứu phân loại ảnh và nhận diện đối tượng.

Cấu trúc tập dữ liệu#

CIFAR-10 đi kèm với một phân chia chính thức, định sẵn, vì vậy không cần thực hiện phân chia thủ công hay tự động:

• Các lớp: 10 (máy bay, ô tô, chim, mèo, hươu, chó, ếch, ngựa, tàu thủy, xe tải)
• Tổng số hình ảnh: 60.000 (màu, kích thước 32x32)
• Tập huấn luyện: 50.000 hình ảnh (5.000 ảnh mỗi lớp)
• Tập kiểm tra: 10.000 hình ảnh (1.000 ảnh mỗi lớp)

Ứng dụng#

CIFAR-10 được sử dụng rộng rãi để huấn luyện và đánh giá các model phân loại ảnh, từ các Mạng Neural Tích Chập (CNN) và Máy Vector Hỗ Trợ (SVM) cổ điển cho đến các kiến trúc sâu hiện đại. Kích thước ảnh nhỏ và các lớp cân bằng giúp bộ dữ liệu này lý tưởng cho việc thử nghiệm nhanh, benchmark các thuật toán mới và giảng dạy các nguyên 50.000 lý thuyết cơ bản về thị giác máy tính.

Cách sử dụng#

Huấn luyện một model YOLO trên CIFAR-10 trong 100 epoch với kích thước ảnh là 32. Để có danh sách đầy đủ các tham số có sẵn, hãy xem trang Huấn luyện và hướng dẫn tác vụ phân loại ảnh.

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="cifar10", epochs=100, imgsz=32)

Hình ảnh mẫu và chú thích#

Bộ dữ liệu CIFAR-10 chứa các ảnh màu của nhiều đối tượng khác nhau, cung cấp một bộ dữ liệu có cấu trúc tốt cho các tác vụ phân loại ảnh. Dưới đây là một số ví dụ về ảnh từ bộ dữ liệu:

Các mẫu này cho thấy sự đa dạng của các đối tượng trong tập dữ liệu CIFAR-10, nhấn mạnh giá trị của một tập dữ liệu đa dạng trong việc huấn luyện các model phân loại hình ảnh mạnh mẽ.

Trích dẫn và Ghi nhận#

Nếu bạn sử dụng tập dữ liệu CIFAR-10 trong công việc nghiên cứu hoặc phát triển của mình, vui lòng trích dẫn bài báo sau đây:

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

Chúng tôi xin gửi lời cảm ơn đến Alex Krizhevsky vì đã tạo và duy trì bộ dữ liệu CIFAR-10 như một tài nguyên giá trị cho cộng đồng nghiên cứu học máy và thị giác máy tính. Để biết thêm thông tin về bộ dữ liệu CIFAR-10 và người tạo ra nó, hãy truy cập trang web bộ dữ liệu CIFAR-10.

Câu hỏi thường gặp#