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），这些类别又分为 20 个粗粒度超类。该数据集由 Alex Krizhevsky 创建，提供预定义划分，包含 50,000 张训练图像和 10,000 张测试图像，是 CIFAR-10 数据集更具挑战性、类别划分更精细的同系列数据集。

在 Ultralytics Platform 上探索 CIFAR-100，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-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，因此该数据集完全均衡。
• 这 100 个细粒度类别分为 20 个粗粒度超类，以支持更高层级的分类。
• 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划分。
• CIFAR-100 是细粒度图像分类和对象识别研究的标准基准。

数据集结构#

CIFAR-100 提供官方预定义划分，因此无需自动或手动划分：

• 类别：100 个细粒度类别，分为 20 个粗粒度超类
• 图像总数：60,000（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）

应用场景#

CIFAR-100 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)、支持向量机 (SVMs)以及现代深度架构。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的一项高难度基准。

用法#

在 CIFAR-100 上训练 YOLO 模型 100 个训练轮次，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="cifar100", epochs=100, imgsz=32)

示例图像和标注#

CIFAR-100 数据集示例图像：

这些示例展示了 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：

@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-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#