CIFAR-100 est un ensemble de données de 60 000 images couleur de 32x32 pixels réparties en 100 classes, avec 600 images par classe. Il s'agit d'un sous-ensemble étiqueté de l'ensemble de données 80 Million Tiny Images, publié en 2009 par des chercheurs de l'Institut canadien de recherches avancées. Cet ensemble est couramment utilisé pour entraîner et évaluer des algorithmes d'apprentissage automatique et de vision par ordinateur, en particulier les modèles de apprentissage profond. Sa faible résolution permet aux chercheurs de tester rapidement différentes approches avant de passer à des ensembles de données plus volumineux.
Les 100 classes sont regroupées en 20 superclasses. Par exemple, la superclasse « mammifères aquatiques » comprend les castors, les dauphins, les loutres, les phoques et les baleines. Chaque image possède deux étiquettes : une étiquette fine (la classe spécifique) et une étiquette grossière (la superclasse). Cette structure permet à la fois la classification fine et les tâches d'apprentissage hiérarchique. L'ensemble de données est divisé en 50 000 images d'entraînement et 10 000 images de test, chaque classe comportant 500 images d'entraînement et 100 images de test.
Histoire et création
CIFAR-100 a été introduit aux côtés de CIFAR-10 en 2009. Les images proviennent de l'ensemble de données 80 Million Tiny Images, une collection d'images à basse résolution recueillies sur le web. Des étudiants ont été rémunérés pour étiqueter les images, garantissant ainsi une vérité terrain précise. L'ensemble a été créé pour offrir une alternative plus difficile à CIFAR-10, qui ne compte que 10 classes. Le nombre plus élevé de classes augmente la difficulté des tâches de classification, faisant de CIFAR-100 une référence standard pour l'évaluation des architectures de réseaux de neurones.
Utilisation en apprentissage automatique
CIFAR-100 est largement utilisé dans la recherche en apprentissage automatique pour des tâches telles que la classification d'images, la reconnaissance d'objets et l'apprentissage par transfert. Les chercheurs l'utilisent souvent pour comparer les performances de différents modèles d'intelligence artificielle. Les réseaux de neurones convolutifs (CNN) tendent à obtenir les meilleurs résultats sur CIFAR-100, comme sur CIFAR-10. L'ensemble est également utilisé pour évaluer l'efficacité computationnelle, car des équipes rivalisent pour entraîner des modèles plus rapidement et à moindre coût sur du matériel tel que AWS Trainium ou les systèmes Cerebras.
Références et état de l'art
De nombreux articles de recherche rapportent des résultats de pointe sur CIFAR-100, mais les comparaisons sont compliquées par des techniques de prétraitement variables telles que le retournement d'image, le décalage et l'augmentation. Certains modèles atteignent des taux d'erreur inférieurs à 10 %, mais les classements exacts dépendent des configurations expérimentales. L'ensemble fait également partie de DAWNBench, une suite de référence pour les performances d'entraînement et d'inférence. Ces dernières années, les modèles basés sur transformeurs et les CNN avancés ont montré de bonnes performances, bien qu'aucune architecture ne domine de manière exclusive.
Ensembles de données connexes
CIFAR-100 fait partie d'une famille d'ensembles de données similaires. CIFAR-10 comporte 10 classes avec 6 000 images chacune. CIFAR-10H fournit des étiquettes d'incertitude perceptuelle humaine pour les images de CIFAR-10. ImageNet (ILSVRC) contient plus d'un million d'images à plus haute résolution réparties en 1 000 classes. L'ensemble de données Street View House Numbers (SVHN) comprend des images couleur de 32x32 pixels de chiffres. L'ensemble de données 80 Million Tiny Images sert de source pour les deux variantes de CIFAR. Ces ensembles soutiennent collectivement la recherche en vision par ordinateur et en apprentissage profond.
Voir aussi
- base de données MNIST
- liste des ensembles de données pour la recherche en apprentissage automatique