Link to this sectionTập dữ liệu CIFAR-100#

Tập dữ liệu CIFAR-100 (Viện Nghiên cứu Tiên tiến Canada) là một phần mở rộng quan trọng của tập dữ liệu CIFAR-10, bao gồm 60.000 hình ảnh màu 32x32 thuộc 100 lớp khác nhau. Tập dữ liệu này được các nhà nghiên cứu tại viện CIFAR phát triển, mang đến một tập dữ liệu thử thách hơn cho các tác vụ học máy và thị giác máy tính phức tạp.

Link to this sectionTính năng chính#

• Tập dữ liệu CIFAR-100 bao gồm 60.000 hình ảnh, được chia thành 100 lớp.
• Mỗi lớp chứa 600 hình ảnh, chia thành 500 hình để huấn luyện và 100 hình để kiểm thử.
• Các hình ảnh là ảnh màu và có kích thước 32x32 pixel.
• 100 lớp khác nhau được nhóm thành 20 danh mục chính để phân loại ở mức cao hơn.
• CIFAR-100 thường được sử dụng cho việc huấn luyện và kiểm thử trong lĩnh vực học máy và thị giác máy tính.

Link to this sectionCấu trúc tập dữ liệu#

Tập dữ liệu CIFAR-100 được chia thành hai tập con:

1. Training Set: Tập con này chứa 50.000 hình ảnh được sử dụng để huấn luyện các mô hình machine learning.
2. Tập kiểm tra (Testing Set): Tập con này bao gồm 10.000 ảnh được sử dụng để kiểm tra và đánh giá các model đã được huấn luyện.

Link to this sectionỨng dụng#

Tập dữ liệu CIFAR-100 được sử dụng rộng rãi để huấn luyện và đánh giá các mô hình học sâu trong các tác vụ phân loại hình ảnh, chẳng hạn như Mạng thần kinh tích chập (CNN), Máy vectơ hỗ trợ (SVM) và nhiều thuật toán học máy khác. Sự đa dạng của tập dữ liệu về mặt lớp và sự hiện diện của hình ảnh màu giúp nó trở thành một tập dữ liệu toàn diện và thử thách hơn cho nghiên cứu và phát triển trong lĩnh vực học máy và thị giác máy tính.

Link to this sectionCách sử dụng#

Để huấn luyện mô hình YOLO trên tập dữ liệu CIFAR-100 trong 100 epoch với kích thước hình ảnh 32x32, bạn có thể sử dụng các đoạn mã sau. Để biết danh sách đầy đủ các đối số khả dụng, hãy tham khảo trang Huấn luyện mô hình.

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)

Link to this sectionHình ảnh mẫu và chú thích#

Tập dữ liệu CIFAR-100 chứa các hình ảnh màu của nhiều đối tượng khác nhau, cung cấp một tập dữ liệu có cấu trúc tốt cho các tác vụ phân loại hình ảnh. Dưới đây là một số ví dụ về hình ảnh từ tập dữ liệu:

Ví dụ này minh họa sự đa dạng và độ phức tạp của các đối tượng trong tập dữ liệu CIFAR-100, làm nổi bật tầm quan trọng của một tập dữ liệu đa dạng đối với việc huấn luyện các mô hình phân loại hình ảnh mạnh mẽ.

Link to this sectionTrích 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 ghi nhận Alex Krizhevsky vì đã tạo và duy trì tập dữ liệu CIFAR-100 như một nguồn tài nguyên quý giá cho cộng đồng nghiên cứu học máy và thị giác máy tính. Để biết thêm thông tin về tập dữ liệu CIFAR-100 và người tạo ra nó, hãy truy cập trang web tập dữ liệu CIFAR-100.

Link to this sectionCâu hỏi thường gặp#

Link to this sectionTập dữ liệu CIFAR-100 là gì và tại sao nó lại quan trọng?#

Tập dữ liệu CIFAR-100 là một bộ sưu tập lớn gồm 60.000 hình ảnh màu 32x32 được phân loại thành 100 lớp. Được phát triển bởi Viện Nghiên cứu Cao cấp Canada (CIFAR), nó cung cấp một tập dữ liệu đầy thách thức, lý tưởng cho các tác vụ máy học và thị giác máy tính phức tạp. Tầm quan trọng của nó nằm ở sự đa dạng của các lớp và kích thước nhỏ của hình ảnh, biến nó thành một nguồn tài nguyên quý giá để huấn luyện và kiểm thử các model deep learning, chẳng hạn như Neural Networks (CNN) tích chập, sử dụng các framework như Ultralytics YOLO.

Link to this sectionLàm thế nào để huấn luyện mô hình YOLO trên tập dữ liệu CIFAR-100?#

Bạn có thể huấn luyện mô hình YOLO trên tập dữ liệu CIFAR-100 bằng cách sử dụng Python hoặc các lệnh CLI. Cách thực hiện như sau:

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)

Để biết danh sách đầy đủ các đối số khả dụng, vui lòng tham khảo trang Huấn luyện mô hình.

Link to this sectionCác ứng dụng chính của tập dữ liệu CIFAR-100 là gì?#

Tập dữ liệu CIFAR-100 được sử dụng rộng rãi trong việc huấn luyện và đánh giá các model deep learning cho tác vụ phân loại hình ảnh. Tập hợp 100 lớp đa dạng, được nhóm thành 20 danh mục lớn, cung cấp một môi trường đầy thách thức để kiểm thử các thuật toán như Convolutional Neural Networks (CNN), Support Vector Machines (SVM) và nhiều phương pháp máy học khác. Tập dữ liệu này là nguồn tài nguyên then chốt trong nghiên cứu và phát triển thuộc lĩnh vực máy học và thị giác máy tính, đặc biệt là đối với các tác vụ nhận diện đối tượng và phân loại.

Link to this sectionTập dữ liệu CIFAR-100 được cấu trúc như thế nào?#

Tập dữ liệu CIFAR-100 được chia thành hai tập con chính:

1. Training Set: Chứa 50.000 hình ảnh được sử dụng để huấn luyện các mô hình machine learning.
2. Tập kiểm thử: Bao gồm 10.000 hình ảnh được sử dụng để kiểm thử và đánh giá các mô hình đã được huấn luyện.

Mỗi lớp trong số 100 lớp chứa 600 hình ảnh, với 500 hình cho huấn luyện và 100 hình cho kiểm thử, giúp nó trở nên đặc biệt phù hợp cho nghiên cứu học thuật và công nghiệp nghiêm ngặt.

Link to this sectionTôi có thể tìm hình ảnh mẫu và chú thích từ tập dữ liệu CIFAR-100 ở đâu?#

Tập dữ liệu CIFAR-100 bao gồm nhiều hình ảnh màu của các đối tượng khác nhau, tạo thành một tập dữ liệu có cấu trúc cho các tác vụ phân loại hình ảnh. Bạn có thể tham khảo trang tài liệu để xem hình ảnh mẫu và chú thích. Các ví dụ này làm nổi bật sự đa dạng và độ phức tạp của tập dữ liệu, vốn rất quan trọng để huấn luyện các model phân loại hình ảnh mạnh mẽ. Để biết thêm các tập dữ liệu phù hợp cho tác vụ phân loại, hãy xem tổng quan về các tập dữ liệu phân loại của Ultralytics.