CIFAR-100 数据集

Q: How do I train a YOLO model on the CIFAR-100 dataset?

您可以使用Python 或CLI 命令在 CIFAR-100 数据集上训练YOLO 模型。具体方法如下：有关可用参数的完整列表，请参阅模型训练页面。

Q: How is the CIFAR-100 dataset structured?

CIFAR-100 数据集分为两个主要子集：100 个类别中的每个类别都包含 600 幅图像，其中 500 幅用于训练，100 幅用于测试，因此非常适合用于严谨的学术和工业研究。

Q: Where can I find sample images and annotations from the CIFAR-100 dataset?

CIFAR-100 数据集包含各种对象的彩色图像，是用于图像分类任务的结构化数据集。您可以参阅文档页面，查看示例图像和注释。这些示例突出了数据集的多样性和复杂性，对于训练强大的图像分类模型非常重要。

CIFAR-100（加拿大高级研究所）数据集是 CIFAR-10 数据集的重要扩展，由 100 个不同类别的 60,000 张 32x32 彩色图像组成。它由 CIFAR 研究所的研究人员开发，为更复杂的机器学习和计算机视觉任务提供了更具挑战性的数据集。

主要功能

CIFAR-100 数据集由 60,000 张图像组成，分为 100 个等级。
每个类别包含 600 幅图像，其中 500 幅用于训练，100 幅用于测试。
图像是彩色的，大小为 32x32 像素。
这 100 个不同的类别被分为 20 个粗分类，用于更高层次的分类。
CIFAR-100 通常用于机器学习和计算机视觉领域的训练和测试。

数据集结构

CIFAR-100 数据集分为两个子集：

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：该子集由 10,000 张图像组成，用于测试和基准测试训练有素的模型。

应用

CIFAR-100 数据集广泛用于训练和评估图像分类任务中的深度学习模型，如卷积神经网络（CNN）、支持向量机（SVM）和其他各种机器学习算法。该数据集在类别方面的多样性和彩色图像的存在，使其成为机器学习和计算机视觉领域研究与开发中更具挑战性和综合性的数据集。

使用方法

要在图像大小为 32x32 的 CIFAR-100 数据集上训练YOLO 模型 100 次，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。

列车示例

PythonCLI

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n-cls.pt")  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data="cifar100", epochs=100, imgsz=32)

# Start training from a pretrained *.pt model
yolo detect train data=cifar100 model=yolov8n-cls.pt epochs=100 imgsz=32

图片和注释示例

CIFAR-100 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。下面是该数据集中的一些图像示例：

数据集样本图像

该示例展示了 CIFAR-100 数据集中对象的多样性和复杂性，突出了多样化数据集对训练强大图像分类模型的重要性。

引文和致谢

如果您在研究或开发工作中使用 CIFAR-100 数据集，请引用以下论文：

BibTeX

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

Alex Krizhevsky 创建并维护了 CIFAR-100 数据集，为机器学习和计算机视觉研究界提供了宝贵的资源，在此一并致谢。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

什么是 CIFAR-100 数据集？

CIFAR-100 数据集是一个包含 60,000 张 32x32 彩色图像的大型数据集，分为 100 个类别。它由加拿大高级研究所（CIFAR）开发，为复杂的机器学习和计算机视觉任务提供了一个具有挑战性的理想数据集。它的重要性在于类别的多样性和图像的小尺寸，使其成为使用Ultralytics YOLO 等框架训练和测试卷积神经网络（CNN）等深度学习模型的宝贵资源。

如何在 CIFAR-100 数据集上训练YOLO 模型？

您可以使用Python 或CLI 命令在 CIFAR-100 数据集上训练YOLO 模型。具体方法如下：

列车示例

PythonCLI

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n-cls.pt")  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data="cifar100", epochs=100, imgsz=32)

# Start training from a pretrained *.pt model
yolo detect train data=cifar100 model=yolov8n-cls.pt epochs=100 imgsz=32

有关可用参数的完整列表，请参阅模型培训页面。