CIFAR-10 数据集

Q: How can I train a YOLO model on the CIFAR-10 dataset?

要使用Ultralytics在CIFAR-10数据集上训练YOLO模型，您可以按照为python和CLI提供的示例进行操作。这是一个基本的示例，可以使用32x32像素的图像大小训练模型100个epoch：有关更多详细信息，请参阅模型训练页面。

Q: What are the key features of the CIFAR-10 dataset?

CIFAR-10数据集由60,000张彩色图像组成，分为10个类别。每个类别包含6,000张图像，其中5,000张用于训练，1,000张用于测试。图像大小为32x32像素，并且在以下类别中有所不同：这种多样化的数据集对于训练机器学习和计算机视觉等领域的图像分类模型至关重要。有关更多信息，请访问CIFAR-10关于数据集结构和应用的章节。

Q: Why use the CIFAR-10 dataset for image classification tasks?

CIFAR-10数据集由于其多样性和结构，是图像分类的绝佳基准。它包含10个不同类别的60,000张带标签图像的平衡组合，这有助于训练稳健和泛化的模型。它被广泛用于评估深度学习模型，包括卷积神经网络（CNN）和其他机器学习算法。该数据集相对较小，使其适合快速实验和算法开发。在应用部分探索其众多应用。

Q: How is the CIFAR-10 dataset structured?

CIFAR-10数据集的结构分为两个主要子集：每个子集都包含分为10个类别的图像，其注释可用于模型训练和评估。有关更多详细信息，请参阅数据集结构部分。

Q: How can I cite the CIFAR-10 dataset in my research?

如果在您的研究或开发项目中使用 CIFAR-10 数据集，请务必引用以下论文：感谢数据集的创建者有助于支持该领域持续的研发。有关更多详细信息，请参见引用和致谢部分。

CIFAR-10（加拿大高级研究所）数据集是一个广泛用于机器学习和计算机视觉算法的图像集合。它由 CIFAR 研究所的研究人员开发，包含 60,000 张 32x32 像素的彩色图像，分为 10 个不同的类别。

观看： 如何训练图像分类使用 Ultralytics YOLO11 的 CIFAR-10 数据集模型

主要功能

CIFAR-10 数据集包含 60,000 张图像，分为 10 个类别。
每个类别包含 6,000 张图像，分为 5,000 张用于训练，1,000 张用于测试。
图像是彩色的，大小为 32x32 像素。
这 10 个不同的类别代表飞机、汽车、鸟类、猫、鹿、狗、青蛙、马、轮船和卡车。
CIFAR-10 通常用于机器学习和计算机视觉领域的训练和测试。

数据集结构

CIFAR-10 数据集分为两个子集：

训练集：此子集包含 50,000 张用于训练机器学习模型的图像。
测试集：此子集包含 10,000 张用于测试和评估已训练模型的图像。

应用

CIFAR-10 数据集广泛用于训练和评估图像分类任务中的深度学习模型，例如卷积神经网络 (CNN)、支持向量机 (SVM) 和各种其他机器学习算法。该数据集在类别方面的多样性以及彩色图像的存在使其成为机器学习和计算机视觉领域研究和开发的完善数据集。

用法

要在 CIFAR-10 数据集上训练 YOLO 模型 100 个 epochs，图像大小为 32x32，您可以使用以下代码片段。有关可用参数的完整列表，请参阅模型训练页面。

训练示例

PythonCLI

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n-cls.pt")  # load a pretrained model (recommended for training)

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

# Start training from a pretrained *.pt model
yolo classify train data=cifar10 model=yolo11n-cls.pt epochs=100 imgsz=32

Sample Images 和注释

CIFAR-10 数据集包含各种对象的彩色图像，为图像分类任务提供了一个结构良好的数据集。以下是数据集中图像的一些示例：

数据集样本图像

该示例展示了 CIFAR-10 数据集中对象的多样性和复杂性，突出了多样化数据集对于训练稳健的图像分类模型的重要性。

引用和致谢

如果您在研究或开发工作中使用 CIFAR-10 数据集，请引用以下论文：

BibTeX

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

我们要感谢 Alex Krizhevsky 创建并维护 CIFAR-10 数据集，使其成为机器学习和计算机视觉研究社区的宝贵资源。有关 CIFAR-10 数据集及其创建者的更多信息，请访问CIFAR-10 数据集网站。

常见问题

如何在 CIFAR-10 数据集上训练 YOLO 模型？

要在 CIFAR-10 数据集上使用 Ultralytics 训练 YOLO 模型，您可以参考为 Python 和 CLI 提供的示例。以下是一个基本示例，用于训练模型 100 个 epochs，图像大小为 32x32 像素：

示例

PythonCLI

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n-cls.pt")  # load a pretrained model (recommended for training)

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

# Start training from a pretrained *.pt model
yolo classify train data=cifar10 model=yolo11n-cls.pt epochs=100 imgsz=32

有关更多详细信息，请参阅模型训练页面。