No license

Link to this sectionCIFAR-10 数据集#

CIFAR-10 (加拿大高等研究院) 数据集是一个经典的图像分类基准，包含 60,000 张 32x32 的彩色图像，平均分为 10 个类别：飞机、汽车、鸟、猫、鹿、狗、青蛙、马、船和卡车。它自带 50,000 张训练图像和 10,000 张测试图像（每类 6,000 张）的预定义分割，是一个轻量级且平衡的起点，适用于训练和评估分类模型。如果需要更细粒度的挑战，请参阅相关的 CIFAR-100 数据集。

Watch: How to Train an Image Classification Model with CIFAR-10 Dataset using Ultralytics YOLO

Link to this section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 是图像分类和物体识别研究的标准基准。

Link to this section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）

验证集划分

CIFAR-10 没有单独的验证文件夹，因此 Ultralytics 默认在训练期间将 10,000 张图像的测试集用作验证集。

Link to this section应用#

CIFAR-10 被广泛用于训练和评估图像分类模型，涵盖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均衡的类别使其成为进行快速实验、基准测试新算法以及教学计算机视觉基础知识的理想选择。

Link to this section用法#

在 CIFAR-10 上训练一个 YOLO 模型，运行 100 个 epoch，图像尺寸为 32。有关完整参数列表，请参阅训练页面和图像分类任务指南。

训练示例

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)

Link to this section样本图像和标注#

CIFAR-10 数据集包含各种物体的彩色图像，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：

CIFAR-10 图像分类数据集样本

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。

Link to this section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：

引用

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

我们要感谢 Alex Krizhevsky 创建并维护了 CIFAR-10 数据集，将其作为机器学习和计算机视觉研究社区的一份宝贵资源。欲了解更多关于 CIFAR-10 数据集及其创建者的信息，请访问 CIFAR-10 数据集网站。

Link to this section常见问题解答#