Bộ dữ liệu CIFAR-10#

60,000

CIFAR-10

ultralytics

publicClassify

CIFAR-10 is Krizhevsky, Nair, and Hinton's canonical benchmark of 60,000 balanced 32 x 32 RGB images. Ten classes cover airplanes, automobiles, birds, cats, deer, dogs, frogs, horses, ships, and trucks in the official training and test split.

10 classes66 MBSep 2, 2026

airplaneautomobilebirdcat+6

image-classificationcifar10object-recognition+1

Bộ dữ liệu CIFAR-10 (Viện Nghiên cứu Tiên tiến Canada) là benchmark phân loại ảnh kinh điển gồm 60.000 ảnh màu kích thước 32x32, được chia đều thành 10 lớp — máy bay, ô tô, chim, mèo, hươu, chó, ếch, ngựa, tàu thủy và xe tải. Bộ dữ liệu có sẵn phân chia gồm 50.000 ảnh huấn luyện và 10.000 ảnh kiểm tra (6.000 ảnh mỗi lớp), là điểm khởi đầu gọn nhẹ, cân bằng tốt để huấn luyện và đánh giá chuẩn các model phân loại. Để thử thách với các lớp 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 số liệu thống kê của bộ dữ liệu và sao chép bộ dữ liệu để huấn luyện.

Tính năng chính#

• CIFAR-10 chứa 60.000 ảnh màu có kích thước 32x32 pixel, được chia đều thành 10 lớp.
• Mỗi lớp có chính xác 6.000 ảnh — 5.000 ảnh huấn luyện và 1.000 ảnh kiểm tra — nên bộ dữ liệu được cân bằng hoàn hảo.
• 10 lớp gồm máy bay, ô tô, chim, mèo, hươu, chó, ếch, ngựa, tàu thủy và xe tải.
• Bộ dữ liệu có sẵn phân chia huấn luyện/kiểm tra, nên không cần chia thủ công hay tự động.
• CIFAR-10 là benchmark tiêu chuẩn cho nghiên cứu phân loại ảnh và nhận dạng đối tượng.

Cấu trúc dataset#

CIFAR-10 có sẵn phân chia chính thức, nên không cần phân vùng tự động hay thủ công:

• Các lớp: 10 (máy bay, ô tô, chim, mèo, hươu, chó, ếch, ngựa, tàu thủy, xe tải)
• Tổng số ảnh: 60.000 (ảnh màu 32x32)
• Tập huấn luyện: 50.000 ảnh (5.000 ảnh mỗi lớp)
• Tập kiểm tra: 10.000 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 Mạng nơ-ron tích chập (CNNs) và Máy vector hỗ trợ (SVMs) cổ điển đến các kiến trúc deep learning hiện đại. Kích thước ảnh nhỏ và các lớp cân bằng khiến bộ dữ liệu này rất phù hợp để thử nghiệm nhanh, đánh giá chuẩn các thuật toán mới và giảng dạy những kiến thức nền tảng về thị giác máy tính.

Cách sử dụng#

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

from ultralytics import YOLO

# Tải model
model = YOLO("yolo26n-cls.pt")  # tải model đã huấn luyện trước (được khuyến nghị khi huấn luyện)

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

Hình ảnh mẫu và annotation#

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

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

Trích dẫn và lời cảm ơn#

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

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

Chúng tôi xin ghi nhận công lao của Alex Krizhevsky trong việc tạo và duy trì bộ dữ liệu CIFAR-10 như một tài nguyên quý giá cho cộng đồng nghiên cứu machine learning và thị giác máy tính. Để biết thêm thông tin về bộ dữ liệu CIFAR-10 và người tạo ra bộ dữ liệu, hãy truy cập trang web bộ dữ liệu CIFAR-10.

Câu hỏi thường gặp#