Le jeu de données CIFAR-10 (Canadian Institute For Advanced Research) est une collection de 60 000 images couleur de 32x32 pixels utilisée pour entraîner et évaluer des algorithmes d'apprentissage automatique et de vision par ordinateur. C'est l'un des jeux de données les plus utilisés dans la recherche en apprentissage automatique, servant de référence standard pour les tâches de classification d'images. Le jeu de données comprend 10 classes - avions, voitures, oiseaux, chats, cerfs, chiens, grenouilles, chevaux, navires et camions - avec 6 000 images par classe. Sa faible résolution (32x32 pixels) permet aux chercheurs de tester rapidement différents algorithmes sans le coût computationnel d'images à plus haute résolution.
CIFAR-10 est un sous-ensemble étiqueté du jeu de données 80 Million Tiny Images, publié en 2008. Le sous-ensemble CIFAR-10 a été publié en 2009, avec des étudiants payés pour étiqueter les images. Depuis sa publication, il est devenu une ressource fondamentale pour développer et comparer des algorithmes de reconnaissance d'objets, en particulier les réseaux de neurones convolutifs (CNN).
Composition et structure du jeu de données
Le jeu de données est divisé en ensembles d'entraînement et de test : 50 000 images pour l'entraînement et 10 000 pour le test. Chaque image est une photographie RVB de 32x32 pixels, et les 10 classes sont mutuellement exclusives - une image contient exactement un objet d'une classe. La petite taille des images et le nombre limité de classes font de CIFAR-10 un moyen accessible mais exigeant, équilibrant la simplicité avec une complexité suffisante pour différencier la performance des algorithmes.
Le processus d'étiquetage a impliqué des étudiants rémunérés, garantissant une vérité terrain de haute qualité. La conception du jeu de données encourage l'expérimentation rapide, car l'entraînement d'un modèle sur CIFAR-10 nécessite généralement moins de ressources computationnelles que sur des jeux de données plus grands comme ImageNet.
Rôle dans la recherche en apprentissage automatique
CIFAR-10 a été essentiel pour l'avancement de la recherche en Machine learning et Deep learning. Il est couramment utilisé pour évaluer de nouvelles architectures, techniques d'entraînement et méthodes de régularisation. Par exemple, des innovations telles que la batch-normalization-normalisation par lots , le dropout-désactivation et l'data-augmentation-augmentation des données ont été testées et affinées sur CIFAR-10. La popularité du jeu de données vient de sa taille gérable, qui permet aux chercheurs d'itérer rapidement tout en offrant un défi significatif pour la reconnaissance d'objets.
De nombreux articles fondateurs en computer-vision-vision par ordinateur et neural-network-réseau de neurones rapportent des résultats sur CIFAR-10. Au fil des ans, les taux d'erreur de l'état de l'art ont chuté de plus de 20 % au début des années 2010 à moins de 1 % avec les architectures modernes et les techniques d'entraînement avancées. Cependant, la comparaison des résultats à travers les articles est compliquée car les chercheurs utilisent différentes méthodes de prétraitement, telles que le retournement, le décalage ou le recadrage des changements d'image, ce qui peut affecter la performance.
Benchmarking et concours
Au-delà de la recherche académique, CIFAR-10 sert de benchmark de performance pour les équipes concurrentes cherchant à exécuter les réseaux de neurones plus rapidement et plus efficacement. Par exemple, DAWNBench, une suite de benchmark pour l'entraînement et l'inférence en apprentissage profond, inclut CIFAR-10 comme tâche standard. Les concurrents visent une haute précision avec un temps ou un coût d'entraînement minimal, stimulant des innovations dans Model Pruning , Learning Rate Scheduling et l'optimisation du matériel.
L'utilisation de ce jeu de données dans de tels concours a influencé le développement de systèmes artificial-intelligence-intelligence artificielle efficaces, y compris ceux déployés sur du matériel spécialisé comme AWS Trainium ou les Google Cloud TPU. Son rôle s'étend au-delà du développement d'algorithmes à des considérations pratiques de mise à l'échelle et de d'efficacité des ressources.
Jeux de données similaires et extensions
Plusieurs jeux de données sont liés à CIFAR-10. CIFAR-100 est un jeu de données similaire avec 100 classes et 600 images par classe, offrant un défi de classification plus granulaire. CIFAR-10H fournit des étiquettes d'incertitude perceptive humaine pour les images CIFAR-10, utile pour vingt l'incertitude de type humain dans la classification. Parmigesamt datasets comparables figurent ImageNet (ILSVRC), qui contient 1 million d'images couleur de 1 000 classes à une plus haute résolution (moyenne 469x387 pixels), et le jeu de données des numéros de porte sur rue Vue (SVHN), qui contient approximativement 600 000 images couleur de 32x32 pixels des chiffres 0-9. Le jeu de données original 80 Million Tiny Images, dont CIFAR-10 est dérivé, demeure une ressource pour l'apprentissage non supervisé.
Héritage et pertinence continue
Malgré l'émergence de jeux de données plus grands et plus complexes, CIFAR-10 reste un examen de référence21 dans l'éducation et la recherche en apprentissage automatique. Sa simplicité et sa structure bien définie en its font un premier benchmark idéal pour les étudiants et les professionnels. La longévité du jeu de données est un symbole de sa conception, et il continues d'être cités dans des milliers d'articleschaque année. Au début des années 2020, CIFAR-10 demeure un banc d'essai standard pour les nouvelles idées dans des domaines comme generative-ai-générative et transformer-par-transformeur des modèles visionaries, garantissant sa pertinence pour les années à venir.