CIFAR-10数据集（加拿大高级研究所）是一个包含60,000张32x32彩色图像的集合，用于训练和评估机器学习和计算机视觉算法。它是机器学习研究中使用最广泛的数据集之一，作为图像分类任务的标准基准。该数据集包含10个类别，，飞机、汽车、鸟类、猫、鹿、狗、青蛙、马、船和卡车，，每类有6,000张图像。其低分辨率（32x32像素）使研究人员能够快速测试不同算法，而无需承担高分辨率图像的计算成本。
CIFAR-10是2008年发布的8000万张微小图像数据集的标记子集。CIFAR-10子集于2009年发布，由学生付费标记图像。自发布以来，它已成为开发和比较物体识别算法（尤其是卷积神经网络（CNN））的基础资源。
数据集组成与结构
该数据集分为训练集和测试集：50,000张图像用于训练，10,000张用于测试。每张图像是一张32x32的RGB照片，10个类别互斥，，每张图像仅包含一个类别的一个物体。较小的图像尺寸和有限的类别数量使CIFAR-10成为一个易于访问但具有挑战性的基准，在简单性和足够区分算法性能的复杂性之间取得平衡。
标记过程涉及付费学生，确保了高质量的基准真相。数据集的设计鼓励快速实验，因为在CIFAR-10上训练模型通常比在ImageNet等更大数据集上需要更少的计算资源。
在机器学习研究中的作用
CIFAR-10在推动机器学习和深度学习研究方面发挥了重要作用。它通常用于评估新架构、训练技术和正则化方法。例如，批归一化、丢弃和数据增强等创新已在CIFAR-10上进行了测试和完善。该数据集的流行源于其可管理的规模，允许研究人员快速迭代，同时仍为物体识别提供有意义的挑战。
计算机视觉和神经网络研究中的许多开创性论文报告了在CIFAR-10上的结果。多年来，最先进的错误率已从2010年代初的超过20%下降到现代架构和先进训练技术下的低于1%。然而，由于研究人员使用不同的预处理方法（如图像翻转、平移或裁剪），这些方法会影响性能，因此跨论文比较结果变得复杂。
基准测试与竞赛
除了学术研究之外，CIFAR-10还作为团队竞争更快、更高效运行神经网络的性能基准。例如，DAWNBench（一个用于深度学习训练和推理的基准套件）将CIFAR-10作为标准任务。参赛者旨在以最小的训练时间或成本实现高精度，推动模型剪枝、学习率调度和硬件优化方面的创新。
该数据集在此类竞赛中的使用影响了高效人工智能系统的发展，包括部署在专用硬件（如AWS Trainium或谷歌云TPU）上的系统。其作用不仅限于算法开发，还扩展到可扩展性和资源效率的实际考虑。
类似数据集与扩展
有几个数据集与CIFAR-10相关。CIFAR-100是一个类似的数据集，包含100个类别，每类600张图像，提供了更细粒度的分类挑战。CIFAR-10H为CIFAR-10图像提供了人类感知不确定性标签，用于研究分类中类似人类的不确定性。其他类似数据集包括ImageNet（ILSVRC），其中包含1000个类别的100万张彩色图像，分辨率更高（平均469x387像素），以及街景门牌号码（SVHN）数据集，其中包含约600,000张32x32的0-9数字彩色图像。CIFAR-10源自的原始8000万张微小图像数据集仍然是无监督学习的资源。
遗产与持续相关性
尽管出现了更大、更复杂的数据集，CIFAR-10仍然是机器学习教育和研究中的主要内容。其简单性和明确的结构使其成为学生和从业者的理想首个基准。该数据集的持久性证明了其设计，并且每年仍被数千篇论文引用。截至2020年代初，CIFAR-10仍然是生成式人工智能和基于Transformer的视觉模型等新思想的标准测试平台，确保其在未来几年内的相关性。