CIFAR-100 ist ein Datensatz mit 60.000 32x32-Farbbildern in 100 Klassen, mit 600 Bildern pro Klasse. Es handelt sich um eine beschriftete Teilmenge des 80 Million Tiny Images-Datensatzes, der im Jahr 2009 von Forschern des Canadian Institute For Advanced Research veröffentlicht wurde. Der Datensatz wird häufig verwendet, um Algorithmen für maschinelles Lernen und Computer Vision zu trainieren und zu evaluieren, insbesondere Deep-Learning-Modelle. Seine niedrige Auflösung ermöglicht es Forschern, verschiedene Ansätze schnell zu testen, bevor sie auf größere Datensätze skalieren.
Die 100 Klassen sind in 20 Superklassen gruppiert. Beispielsweise umfasst die Superklasse „aquatische Säugetiere“ Biber, Delfine, Otter, Robben und Wale. Jedes Bild hat zwei Beschriftungen: eine feine Beschriftung (die spezifische Klasse) und eine grobe Beschriftung(die Superklasse(). Diese Struktur ermöglicht sowohl feinkörnige Klassifikation als auch hierarchische Lernaufgaben. Der Datensatz ist in 50.000 Trainingsbilder und 10.000 Testbilder aufgeteilt, wobei jede Klasse 500 Trainings- und 100 Testbilder hat.
Geschichte und Entstehung
CIFAR-100 wurde zusammen mit CIFAR-10 im Jahr 2009 eingeführt. Die Bilder stammen aus dem 80 Million Tiny Images-Datensatz, einer Sammlung von niedrigauflösenden Bildern, die aus dem Internet gesammelt wurden. Studenten wurden bezahlt, um die Bilder zu beschriften, wodurch eine genaue Grundwahrheit sichergestellt wurde. Der Datensatz wurde erstellt, um eine anspruchsvollere Alternative zu CIFAR-10 zu bieten, das nur 10 Klassen hat. Die höhere Anzahl von Klassen erhöht die Schwierigkeit von Klassifikationsaufgaben, was CIFAR-100 zu einem Standard-Benchmark für die Bewertung von neuronalen Netzwerk-Architekturen macht.
Verwendung im maschinellen Lernen
CIFAR-100 wird häufig in der maschinellen Lern-Forschung für Aufgaben wie Bildklassifikation, Objekterkennung und Transfer-Lernen verwendet. Forscher nutzen es oft, um die Leistung verschiedener Künstlicher-Intelligenz-Modelle zu vergleichen. Faltungsneurale Netzwerke(CNNs() neigen dazu, die besten Ergebnisse auf CIFAR-100 zu erzielen, ähnlich wie bei CIFAR-10. Der Datensatz wird auch zum Benchmarking der Recheneffizienz verwendet, da Teams darum konkurrieren, Modelle schneller und günstiger auf Hardware wie AWS Trainium oder Cerebras-Systemen zu trainieren.
Benchmarks und Stand der Technik
Viele Forschungsarbeiten berichten über Ergebnisse auf dem neuesten Stand der Technik für CIFAR-100, aber Vergleiche werden durch unterschiedliche Vorverarbeitungstechniken wie Bildspiegelung, Verschiebungund Datenaugmentierung erschwert. Einige Modelle erreichen Fehlerraten unter 10%, aber genaue Rangfolgen hängen von den experimentellen Aufbauten ab. Der Datensatz ist auch Teil von DAWNBench, einer Benchmark-Suite für Trainings- und Inferenzleistung. In den letzten Jahren haben Transformer-basierte Modelle und fortgeschrittene CNNs starke Leistung gezeigt, obwohl keine einzelne Architektur dominiert.
Verwandte Datensätze
CIFAR-100 ist Teil einer Familie ähnlicher Datensätze. CIFAR-10 hat 10 Klassen mit 6.000 Bildern pro Klasse. CIFAR-10H bietet menschliche Wahrnehmungsunsicherheits-Beschriftungen für CIFAR-10-Bilder. ImageNet(ILSVRC() enthält über eine Million höherauflösende Bilder in 1.000 Klassen. Der Street View House Numbers(SVHN()-Datensatz hat 32x32-Farbbilder von Ziffern. Der 80 Million Tiny Images-Datensatz dient als Quelle für beide CIFAR-Varianten. Diese Datensätze unterstützen gemeinsam die Forschung in Computer Vision und Deep Learning.
Siehe auch
- mnist-database
- list-of-datasets-for-machine-learning-research