CIFAR-10 数据集#

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

CIFAR-10（加拿大高级研究所）数据集是一个经典的图像分类基准，包含 60,000 张 32x32 彩色图像，平均分配在 10 个类别中——飞机、汽车、鸟、猫、鹿、狗、青蛙、马、船和卡车。它自带预定义的 50,000 张训练图像和 10,000 张测试图像（每类 6,000 张），使其成为训练和评估分类模型的一个轻量级、均衡的起点。有关更细粒度的挑战，请参阅相关的 CIFAR-100 数据集。

在 CIFAR-10 on Ultralytics Platform 上探索，以预览样本、检查数据集统计数据并将其克隆以用于训练。

主要特性#

• CIFAR-10 包含 60,000 张 32x32 像素的彩色图像，平均分为 10 个类别。
• 每个类别正好包含 6,000 张图像（5,000 张用于训练，1,000 张用于测试），因此该数据集非常平衡。
• 这 10 个类别分别是：飞机、汽车、鸟、猫、鹿、狗、青蛙、马、船和卡车。
• 该数据集自带预定义的训练/测试分割，因此无需手动或自动进行分割。
• CIFAR-10 是图像分类和对象识别研究的标准基准。

数据集结构#

CIFAR-10 自带官方的预定义分割，因此无需自动或手动划分：

• 类别：10 个（飞机、汽车、鸟、猫、鹿、狗、青蛙、马、船、卡车）
• 图像总数：60,000 张（32x32 彩色）
• 训练集：50,000 张图像（每类 5,000 张）
• 测试集：10,000 张图像（每类 1,000 张）

应用#

CIFAR-10 被广泛用于训练和评估图像分类模型，从经典的卷积神经网络（CNN）和支持向量机（SVM）到现代深度架构。其较小的图像尺寸和平衡的类别使其非常适合快速实验、对新算法进行基准测试以及教授计算机视觉基础知识。

用法#

在 CIFAR-10 上训练一个 YOLO 模型，图像大小为 32，训练 100 个轮次。有关可用参数的完整列表，请参阅训练页面和图像分类任务指南。

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)

样本图像和标注#

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。以下是该数据集中的一些图像示例：

这些样本展示了 CIFAR-10 数据集中物体的多样性，强调了多样化数据集对于训练稳健的图像分类模型的价值。

引用与致谢#

如果你在研究或开发工作中使用了 CIFAR-10 数据集，请引用以下论文：

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

我们要感谢 Alex Krizhevsky 创建和维护 CIFAR-10 数据集，它为机器学习和计算机视觉研究社群提供了一项宝贵的资源。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。

常见问题解答#