CIFAR-100は、100クラスに分類された60,000枚の32x32カラー画像からなるデータセットであり、各クラスにつき600枚の画像が含まれている。これは、2009年にカナダ高等研究所（Canadian Institute For Advanced Research）の研究者らによって公開された80 Million Tiny Imagesデータセットのラベル付きサブセットである。このデータセットは、特に深層学習モデルなど、機械学習およびコンピュータビジョンアルゴリズムの訓練と評価に一般的に使用されている。その低解像度により、研究者はより大規模なデータセットに拡張する前に、さまざまなアプローチを迅速にテストすることができる。
100クラスは20のスーパークラスにグループ化されている。例えば、スーパークラス「水生哺乳類」には、ビーバー、イルカ、カワウソ、アザラシ、クジラが含まれる。各画像には2つのラベルがある：細かいラベル（特定のクラス）と粗いラベル（スーパークラス）である。この構造により、細粒度分類と階層的学習タスクの両方が可能になる。データセットは50,000枚の訓練画像と10,000枚のテスト画像に分割され、各クラスには500枚の訓練画像と100枚のテスト画像がある。
歴史と作成
CIFAR-100は、2009年にCIFAR-10とともに導入された。画像は、ウェブから収集された低解像度画像のコレクションである80 Million Tiny Imagesデータセットから取得された。学生がラベル付けを行い、正確なグラウンドトゥルースを確保した。このデータセットは、10クラスのみのCIFAR-10よりも挑戦的な代替手段を提供するために作成された。クラス数の増加は分類タスクの難易度を高め、CIFAR-100はニューラルネットワークアーキテクチャを評価するための標準的なベンチマークとなっている。
機械学習における使用
CIFAR-100は、画像分類、物体認識、転移学習などのタスクにおいて、機械学習研究で広く使用されている。研究者は、さまざまな人工知能モデルの性能を比較するために、しばしばこれを使用する。畳み込みニューラルネットワーク（CNN）は、CIFAR-10と同様に、CIFAR-100でも最良の結果を達成する傾向がある。このデータセットは、AWS TrainiumやCerebrasなどのハードウェア上で、より高速かつ低コストにモデルを訓練する競争が行われるため、計算効率のベンチマークにも使用されている。
ベンチマークと最先端技術
多くの研究論文がCIFAR-100での最先端の結果を報告しているが、画像の反転、シフト、拡張などのさまざまな前処理技術によって比較は複雑になっている。一部のモデルは10%未満のエラー率を達成しているが、正確なランキングは実験設定に依存する。このデータセットは、訓練および推論性能のベンチマークスイートであるDAWNBenchの一部でもある。近年では、トランスフォーマーベースのモデルや高度なCNNが強い性能を示しているが、単一のアーキテクチャが支配的というわけではない。
関連データセット
CIFAR-100は、類似したデータセット群の一部である。CIFAR-10は、各6,000枚の画像を持つ10クラスで構成されている。CIFAR-10Hは、CIFAR-10画像に対する人間の知覚的不確実性ラベルを提供する。ImageNet（ILSVRC）は、1,000クラスにわたる100万枚以上の高解像度画像を含む。Street View House Numbers（SVHN）データセットは、数字の32x32カラー画像で構成されている。80 Million Tiny Imagesデータセットは、両方のCIFARバリアントのソースとして機能する。これらのデータセットは、コンピュータビジョンおよび深層学習の研究を総合的に支援している。
関連項目
- mnist-database
- list-of-datasets-for-machine-learning-research