CIFAR-100 数据集#

59,974

CIFAR-100

ultralytics

publicClassify

CIFAR-100 is Krizhevsky, Nair, and Hinton's fine-grained 32 x 32 RGB classification benchmark. Its 100 classes are grouped into 20 superclasses, enabling evaluation of both specific object recognition and broader semantic categorization.

100 classes66 MBSep 2, 2026

appleaquarium fishbabybear+96

image-classificationcifar100fine-grained+1

CIFAR-100（加拿大高级研究所）数据集是一个图像分类基准，包含 60,000 张 32x32 彩色图像，均匀分布在 100 个细粒度类别中（每类 600 张），这些类别又进一步分为 20 个粗粒度超类。该数据集由 Alex Krizhevsky 创建，提供预定义的数据划分，包括 50,000 张训练图像和 10,000 张测试图像，因此它比 CIFAR-10 数据集更具挑战性、类别划分也更细致。

探索 Ultralytics Platform 上的 CIFAR-100，预览样本、检查数据集统计信息，并克隆数据集用于训练。

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——其中 500 张用于训练，100 张用于测试——因此该数据集实现了完美平衡。
• 这 100 个细粒度类别被分为 20 个粗粒度超类，用于更高层级的分类。
• 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进行划分。
• CIFAR-100 是细粒度图像分类和目标识别研究的标准基准。

数据集结构#

CIFAR-100 提供官方预定义的数据划分，因此无需自动或手动进行分区：

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

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（CNNs）和支持向量机（SVMs）到现代深度架构。其 100 个细粒度类别和较小的图像尺寸，使其成为机器学习研究、算法比较和计算机视觉实验中颇具挑战性的基准。

使用方法#

在 CIFAR-100 上训练 YOLO 模型 100 个训练周期，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

# 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)

示例图像和标注#

CIFAR-100 数据集中的示例图像：

这些样本展示了 CIFAR-100 数据集中对象的多样性，凸显了多样化数据集对于训练稳健图像分类模型的价值。

引用和致谢#

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：

@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-100 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-100 数据集及其创建者的更多信息，请访问 CIFAR-100 数据集网站。

常见问题#