No license

Link to this sectionCIFAR-100 数据集#

CIFAR-100（加拿大高等研究院）数据集是一个包含 60,000 张 32x32 彩色图像的图像分类基准，这些图像均匀分布在 100 个细粒度类别中（每类 600 张），这些类别又被划分为 20 个粗粒度超类。该数据集由 Alex Krizhevsky 创建，附带预定义的 50,000 张训练图像和 10,000 张测试图像，是 CIFAR-10 数据集的进阶版，具有更高难度的细粒度分类。

Watch: How to Train an Image Classification Model on CIFAR-100 using Ultralytics YOLO

Link to this section主要特性#

CIFAR-100 包含 60,000 张 32x32 像素的彩色图像，均匀分为 100 个类别。
每个类别恰好包含 600 张图像——500 张用于训练，100 张用于测试——因此该数据集是完美平衡的。
100 个细粒度类别被归纳为 20 个粗粒度超类，用于更高级别的分类。
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-100 是进行细粒度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-100 附带官方预定义的划分，因此无需自动或手动拆分：

类别：100 个细粒度类别，归纳为 20 个粗粒度超类
图像总数：60,000 张（32x32 彩色）
训练集：50,000 张图像（每类 500 张）
测试集：10,000 张图像（每类 100 张）

验证集划分

CIFAR-100 没有单独的验证文件夹，因此 Ultralytics 默认在训练期间使用 10,000 张图像的测试集作为验证集。使用 data="cifar100" 进行训练时，将学习这 100 个细粒度类别。

Link to this section应用#

CIFAR-100 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 100 个细粒度类别和小尺寸图像使其成为机器学习研究、算法比较和计算机视觉实验的严苛基准。

Link to this section用法#

在 CIFAR-100 上训练 YOLO 模型 100 个 epoch，图像尺寸为 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。

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="cifar100", epochs=100, imgsz=32)

Link to this section样本图像和标注#

来自 CIFAR-100 数据集的示例图像：

CIFAR-100 图像分类数据集样本

这些样本展示了 CIFAR-100 数据集中物体的多样性，凸显了多样化数据集对于训练鲁棒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 CIFAR-100 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-100 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-100 数据集及其创建者的更多信息，请访问 CIFAR-100 数据集网站。

The CIFAR-100 dataset is widely used to train and benchmark fine-grained image classification and object recognition models. It contains 60,000 32x32 color images across 100 classes grouped into 20 superclasses, making it a more challenging benchmark than CIFAR-10 for algorithms such as Convolutional Neural Networks (CNNs) and Support Vector Machines (SVMs), and for evaluating deep learning models built with Ultralytics YOLO.

Link to this section我该如何在 CIFAR-100 数据集上训练 Ultralytics YOLO 模型？#

要在 CIFAR-100 上训练 Ultralytics YOLO 模型，请使用下面的代码片段。数据集会在首次使用时自动下载。有关参数的完整列表，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="cifar100", epochs=100, imgsz=32)