CIFAR-100 数据集

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一个更具挑战性的数据集。

关键特性

CIFAR-100数据集包含60,000张图像，分为100个类别。
每个类别包含600张图像，其中500张用于训练，100张用于测试。
图像为彩色，尺寸为32x32像素。
100个不同的类别被分组为20个粗略类别，用于更高级别的分类。
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：该子集包含10,000张图像，用于测试和基准测试训练好的模型。

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（CNNs）、支持向量机（SVMs）和各种其他机器学习算法。数据集在类别多样性和彩色图像的存在方面使其成为一个更具挑战性和全面性的数据集，适用于机器学习和计算机视觉领域的研究和开发。

使用

要在CIFAR-100数据集上训练YOLO模型，进行100个epoch，图像大小为32x32，您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

PythonCLI

from ultralytics import YOLO

# 加载模型
model = YOLO("yolo11n-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)

# 从预训练的*.pt模型开始训练
yolo classify train data=cifar100 model=yolo11n-cls.pt epochs=100 imgsz=32

样本图像和注释

CIFAR-100数据集包含各种对象的彩色图像，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于训练鲁棒图像分类模型的重要性。

引用和致谢

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}
}

我们感谢Alex Krizhevsky创建和维护CIFAR-100数据集，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。

常见问题

什么是CIFAR-100数据集，为什么它很重要？

CIFAR-100数据集是一个包含60,000张32x32彩色图像的大型集合，分为100个类别。由加拿大高级研究所（CIFAR）开发，它提供了一个适合复杂机器学习和计算机视觉任务的具有挑战性的数据集。其重要性在于类别的多样性和图像的小尺寸，使其成为训练和测试深度学习模型（如卷积神经网络（CNNs））的宝贵资源，使用Ultralytics YOLO等框架。

如何在CIFAR-100数据集上训练YOLO模型？

你可以使用Python或CLI命令在CIFAR-100数据集上训练YOLO模型。以下是具体方法：

训练示例

PythonCLI

from ultralytics import YOLO

# 加载模型
model = YOLO("yolo11n-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)

# 从预训练的*.pt模型开始训练
yolo classify train data=cifar100 model=yolo11n-cls.pt epochs=100 imgsz=32

如需查看可用参数的完整列表，请参阅模型训练页面。