Tập dữ liệu CIFAR-100#

59,974

CIFAR-100

ultralytics

publicClassify

CIFAR-100 is the fine-grained Canadian Institute for Advanced Research benchmark. This reviewed package contains 59,974 unique 32 x 32 RGB images across 100 classes, with 26 exact source duplicates removed to prevent train-test leakage; it retains 49,976 train and 9,998 test images. Created by Alex Krizhevsky, Vinod Nair, and Geoffrey Hinton; cite the CIFAR technical report.

100 classes66 MBAug 21, 2026

appleaquarium fishbabybear+96

image-classificationcifar100fine-grained+1

Bộ dữ liệu CIFAR-100 (Canadian Institute For Advanced Research) là một chuẩn đánh giá image classification gồm 60.000 ảnh màu 32x32 được phân bố đều trên 100 lớp chi tiết (mỗi lớp 600 ảnh), và các lớp này lại được nhóm thành 20 siêu lớp thô. Được tạo ra bởi Alex Krizhevsky, bộ dữ liệu này đi kèm với một tập phân chia xác định trước gồm 50.000 ảnh huấn luyện và 10.000 ảnh kiểm thử, khiến nó trở thành phiên bản khó hơn và chi tiết hơn của bộ dữ liệu CIFAR-10.

Khám phá CIFAR-100 trên Ultralytics Platform để xem trước các mẫu, kiểm tra thống kê bộ dữ liệu và nhân bản nó để huấn luyện.

Tính năng chính#

• CIFAR-100 chứa 60.000 hình ảnh màu kích thước 32x32 pixel, được chia đều thành 100 lớp.
• Mỗi lớp chứa chính xác 600 hình ảnh — 500 ảnh cho huấn luyện và 100 ảnh cho kiểm thử — vì vậy tập dữ liệu này hoàn toàn cân bằng.
• 100 lớp chi tiết được nhóm thành 20 siêu lớp để phân loại ở cấp độ cao hơn.
• 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-100 là một chuẩn đánh giá tiêu chuẩn cho nghiên cứu về image classification chi tiết và nhận diện đối tượng.

Cấu trúc tập dữ liệu#

CIFAR-100 đi kèm với cấu trúc phân tách chính thức được xác định trước, vì vậy không cần phân chia tự động hay thủ công:

• Lớp: 100 lớp chi tiết, được nhóm thành 20 siêu lớp
• Tổng số hình ảnh: 60.000 (màu, kích thước 32x32)
• Tập huấn luyện: 50.000 hình ảnh (500 ảnh mỗi lớp)
• Tập kiểm thử: 10.000 hình ảnh (100 ảnh mỗi lớp)

Ứng dụng#

CIFAR-100 được sử dụng rộng rãi để huấn luyện và đánh giá các mô hình image classification, từ các Convolutional Neural Networks (CNN) và Support Vector Machines (SVM) cổ điển đến các kiến trúc sâu hiện đại. 100 lớp chi tiết và kích thước ảnh nhỏ biến nó thành một chuẩn đánh giá khắt khe cho nghiên cứu machine learning, so sánh thuật toán và thử nghiệm computer vision.

Cách sử dụng#

Huấn luyện một mô hình YOLO trên CIFAR-100 trong 100 epochs với kích thước ảnh là 32. Để có danh sách đầy đủ các tham số có sẵn, hãy xem trang Training và hướng dẫn tác vụ image classification.

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="cifar100", epochs=100, imgsz=32)

Hình ảnh mẫu và chú thích#

Các hình ảnh mẫu từ tập dữ liệu CIFAR-100:

Các mẫu này cho thấy sự đa dạng của các đối tượng trong tập dữ liệu CIFAR-100, nhấn mạnh giá trị của một tập dữ liệu đa dạng đối với việc huấn luyện các mô hình phân loại hình ảnh mạnh mẽ.

Trích dẫn và Ghi nhận#

Nếu bạn sử dụng tập dữ liệu CIFAR-100 trong công trình nghiên cứu hoặc phát triển của mình, 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 gửi lời cảm ơn đến Alex Krizhevsky vì đã tạo ra và duy trì bộ dữ liệu CIFAR-100 như một tài nguyên có giá trị cho cộng đồng nghiên cứu machine learning và computer vision. Để biết thêm thông tin về bộ dữ liệu CIFAR-100 và tác giả của nó, hãy truy cập CIFAR-100 dataset website.

Câu hỏi thường gặp#