CIFAR-10 数据集#

60,000

CIFAR-10

ultralytics

publicClassify

CIFAR-10 is Krizhevsky, Nair, and Hinton's canonical benchmark of 60,000 balanced 32 x 32 RGB images. Ten classes cover airplanes, automobiles, birds, cats, deer, dogs, frogs, horses, ships, and trucks in the official training and test split.

10 classes66 MBSep 2, 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。

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 是图像分类和对象识别研究的标准基准。

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）

应用场景#

CIFAR-10 广泛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。其图像尺寸小、类别均衡，非常适合快速实验、评测新算法以及讲授计算机视觉基础知识。

用法#

在 CIFAR-10 上训练 YOLO 模型 100 个轮次，图像尺寸设为 32。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

# 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：

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：

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

我们感谢 Alex Krizhevsky 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。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#