CIFAR-100 é um conjunto de dados de 60.000 imagens coloridas de 32x32 pixels, distribuídas em 100 classes, com 600 imagens por classe. É um subconjunto rotulado do conjunto de dados 80 Million Tiny Images, publicado em 2009 por pesquisadores do Canadian Institute For Advanced Research. O conjunto de dados é comumente usado para treinar e avaliar algoritmos de aprendizado de máquina e visão computacional, especialmente modelos de Deep learning. Sua baixa resolução permite que pesquisadores testem rapidamente diferentes abordagens antes de escalar para conjuntos de dados maiores.
As 100 classes são agrupadas em 20 superclasses. Por exemplo, a superclasse 'mamíferos aquáticos' inclui castores, golfinhos, lontras e focas. Cada imagem possui dois rótulos: um rótulo fino (a classe específica) e um rótulo grosso (a superclasse). Essa estrutura possibilita tanto tarefas de classificação de granularidade fina quanto tarefas de aprendizado hierárquico. O conjunto de dados é dividido em 50.000 imagens de treinamento e 10.000 imagens de teste, com cada classe contendo 500 imagens de treinamento e 100 imagens de teste.
Histórico e Criação
O CIFAR-100 foi introduzido juntamente com o CIFAR-10 em 2009. As imagens foram obtidas do conjunto de dados 80 Million Tiny Images, uma coleção de imagens de baixa resolução coletadas da web. Estudantes foram pagos para rotular as imagens, garantindo a precisão dos dados (ground truth). O conjunto de dados foi criado para oferecer uma alternativa mais desafiadora ao CIFAR-10, que possui apenas 10 classes. O maior número de classes aumenta a dificuldade das tarefas de classificação, tornando o CIFAR-100 um padrão de referência (benchmark) para avaliar arquiteturas de Neural network.
Uso em Aprendizado de Máquina
O CIFAR-100 é amplamente utilizado em pesquisas de Machine learning para tarefas como classificação de imagens, reconhecimento de objetos e aprendizado por transferência. Pesquisadores frequentemente o utilizam para comparar o desempenho de diferentes modelos de Artificial intelligence. Redes neurais convolucionais (CNNs) tendem a obter os melhores resultados no CIFAR-100, assim como no CIFAR-10. O conjunto de dados também é usado para avaliar a eficiência computacional, pois equipes competem para treinar modelos de forma mais rápida e barata em hardware como AWS Trainium ou sistemas Cerebras.
Benchmarks e Estado da Arte
Muitos artigos de pesquisa relatam resultados de ponta (state-of-the-art) no CIFAR-100, mas as comparações são complicadas pelas diferentes técnicas de pré-processamento, como inversão de imagem (flipping), deslocamento (shifting) e aumento de dados (augmentation). Alguns modelos alcançam taxas de erro abaixo de 10%, mas as classificações exatas dependem das configurações experimentais. O conjunto de dados também faz parte do DAWNBench, um conjunto de benchmarks para desempenho de treinamento e inferência. Nos últimos anos, modelos baseados em Transformer (architecture) e CNNs avançadas demonstraram forte desempenho, embora nenhuma arquitetura única domine completamente.
Conjuntos de Dados Relacionados
O CIFAR-100 faz parte de uma família de conjuntos de dados semelhantes. O CIFAR-10 possui 10 classes com 6.000 imagens cada. O CIFAR-10H fornece rótulos de percepção humana para as imagens do CIFAR-10. O ImageNet (ILSVRC) contém mais de um milhão de imagens de alta resolução em 1.000 classes. O conjunto de dados Street View House Numbers (SVHN) possui imagens coloridas de 32x32 pixels de dígitos. O conjunto de dados 80 Million Tiny Images serve como fonte para ambas as variantes do CIFAR. Esses conjuntos de dados, em conjunto, apoiam a pesquisa em Computer vision e Deep learning.
Veja Também
- mnist-database
- list-of-datasets-for-machine-learning-research