CIFAR-10 数据集

CIFAR-10（加拿大高级研究院）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 的彩色图像，分为 10 个不同的类别。

Watch: How to Train an Image Classification Model with CIFAR-10 Dataset using Ultralytics YOLO26

主要特性

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，其中 5,000 张用于训练，1,000 张用于测试。
这些图像是彩色的，尺寸为 32x32 像素。
这 10 个不同的类别分别代表飞机、汽车、鸟类、猫、鹿、狗、青蛙、马、船和卡车。
CIFAR-10 常用于机器学习和计算机视觉领域的训练与测试。

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 张图像，用于训练机器学习模型。
测试集：此子集包含 10,000 张图像，用于测试和评估已训练的模型。

应用场景

CIFAR-10 数据集被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) 以及其他各种机器学习算法。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与开发的全面数据集。

使用方法

要在 CIFAR-10 数据集上训练 YOLO 模型 100 个 epoch，图像尺寸为 32x32，你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

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 数据集包含各种物体的彩色图像，为图像分类任务提供了结构良好的数据集。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

该示例展示了 CIFAR-10 数据集中物体的多样性和复杂性，强调了多样化数据集对于训练稳健图像分类模型的重要性。

引文与致谢

如果你在研究或开发工作中使用 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，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 (FAQ)

我该如何在 CIFAR-10 数据集上训练 YOLO 模型？

要使用 Ultralytics 在 CIFAR-10 数据集上训练 YOLO 模型，你可以按照 Python 和 CLI 提供的示例进行操作。这是一个将模型训练 100 个 epoch，图像大小为 32x32 像素的基础示例：

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)

更多详细信息，请参阅模型训练页面。