Link to this sectionCIFAR-10 数据集#

CIFAR-10（加拿大高等研究院）数据集是一个被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

Link to this section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。
这些图像为彩色，大小为 32x32 像素。
这 10 个不同的类别代表飞机、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。

Link to this section数据集结构#

CIFAR-10 数据集被分为两个子集：

训练集：该子集包含 50,000 张图像，用于训练机器学习模型。
测试集：该子集包含 10,000 张用于测试和基准评估已训练模型的图像。

Link to this section应用#

CIFAR-10 数据集广泛用于在图像分类任务中训练和评估深度学习模型，例如卷积神经网络 (CNN)、支持向量机 (SVM) 以及各种其他机器学习算法。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。

Link to this section用法#

若要使用 32x32 的图像大小在 CIFAR-10 数据集上训练 YOLO 模型 100 个周期，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)

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。以下是来自该数据集的一些图像示例：

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，突显了多样化数据集对于训练稳健图像分类模型的重要性。

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。

Link to this section常见问题解答#

Link to this section我该如何训练一个 YOLO 模型来使用 CIFAR-10 数据集？#

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。以下是一个基础示例，用于以 32x32 像素的图像大小训练你的模型 100 个周期：

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)

欲了解更多详细信息，请参考模型训练页面。