开始使用
没有许可证

CIFAR-10 数据集

CIFAR-10 preview 1
CIFAR-10 preview 2
CIFAR-10 preview 3
CIFAR-10 preview 4
60,000
CIFAR-10
ultralytics
PublicClassify

Tiny 32x32 color photos of common vehicles and animals, the classic small-image classification benchmark from the University of Toronto. Collected by Alex Krizhevsky, Vinod Nair, and Geoffrey Hinton as a hand-labeled subset of the 80 Million Tiny Images collection, with balanced, mutually exclusive classes. Source: Krizhevsky, "Learning Multiple Layers of Features from Tiny Images," University of Toronto tech report 2009; cs.toronto.edu/~kriz/cifar.html.

110 classes66 MBOct 23, 2026
airplaneautomobilebirdcat+6
image-classificationcifar10object-recognition+1

CIFAR-10(加拿大高级研究所)数据集是经典的图像分类基准,包含 60,000 张 32x32 彩色图像,均匀分为 10 个类别:飞机、汽车、鸟、猫、鹿、狗、青蛙、马、船和卡车。该数据集提供预定义划分,包含 50,000 张训练图像和 10,000 张测试图像(每类 6,000 张),是训练和评测分类模型的轻量、均衡起点。如需更细粒度的挑战,请参阅相关的 CIFAR-100 数据集。

在 Ultralytics Platform 上探索 CIFAR-10,即可预览样例、查看数据集统计信息,并克隆数据集用于训练。



观看: 如何使用 CIFAR-10 数据集和 Ultralytics YOLO 训练图像分类模型

主要功能#

  • CIFAR-10 包含 60,000 张 32x32 像素的彩色图像,均匀分为 10 个类别。
  • 每个类别恰好包含 6,000 张图像,其中 5,000 张用于训练,1,000 张用于测试,因此该数据集完全均衡。
  • 10 个类别分别为飞机、汽车、鸟、猫、鹿、狗、青蛙、马、船和卡车。
  • 该数据集提供预定义的训练集/测试集划分,因此无需手动或自动划分。
  • CIFAR-10 是图像分类和目标识别研究中的标准基准数据集。

数据集结构#

CIFAR-10 提供官方预定义划分,因此无需自动或手动划分:

  • 类别:10(飞机、汽车、鸟、猫、鹿、狗、青蛙、马、船、卡车)
  • 图像总数:60,000(32x32 彩色图像)
  • 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

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

应用场景#

CIFAR-10 常用于训练和评估图像分类模型,涵盖经典的卷积神经网络 (CNNs) 和支持向量机 (SVMs),以及现代深度架构。其图像尺寸较小、类别均衡,非常适合快速实验、新算法基准测试,以及学习计算机视觉基础知识。

用法#

在 CIFAR-10 上以 32 的图像尺寸训练YOLO26n-cls模型 100 个周期。

训练示例
from ultralytics import YOLO

# 加载模型
model = YOLO("yolo26n-cls.pt")  # 加载预训练模型(推荐用于训练)

# 训练模型
results = model.train(data="cifar10", epochs=100, imgsz=32)

示例图像和标注#

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 图像分类数据集样例

这些样例展现了 CIFAR-10 数据集中物体的多样性,凸显了多样化数据集对于训练稳健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 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}
}

我们谨向 Alex Krizhevsky 致谢,感谢他创建并维护 CIFAR-10 数据集,为机器学习和计算机视觉研究社区提供了宝贵资源。

常见问题#

  • CIFAR-10 数据集常用于训练和评测图像分类及目标识别模型。它包含 60,000 张 32x32 彩色图像,平均分布在 10 个类别中;其规模小、类别均衡,是评测卷积神经网络 (CNNs) 和支持向量机 (SVMs) 等算法时快速而可靠的基准。

  • 要使用 CIFAR-10 训练 Ultralytics YOLO 模型,请使用下面的代码片段。首次使用时,数据集会自动下载。参数完整列表请参阅模型的训练页面。

    训练示例
    from ultralytics import YOLO
    
    # 加载模型
    model = YOLO("yolo26n-cls.pt")  # 加载预训练模型(推荐用于训练)
    
    # 训练模型
    results = model.train(data="cifar10", epochs=100, imgsz=32)
  • CIFAR-10 有 10 个类别:飞机、汽车、鸟、猫、鹿、狗、青蛙、马、船和卡车;每类恰好有 6,000 张图像,总计 60,000 张。各类别互斥且完全均衡,彼此之间没有重叠。

  • CIFAR-10 提供预定义划分,包含 50,000 张训练图像和 10,000 张测试图像,每类恰好有 5,000 张训练图像和 1,000 张测试图像。与由 Ultralytics 自动划分的基于文件夹的分类数据集不同,CIFAR-10 使用官方划分,不作更改;默认情况下,训练期间测试集会用作验证集。

  • 可以。Ultralytics Platform 可让你管理数据集、训练图像分类模型并部署模型,而无需编写大量代码。它是在云端运行 CIFAR-10 实验的便捷方式,你还可以在我们的分类数据集概览中了解更多选项。

评论

提出问题、分享结果,或帮助其他人。