STL-10是一个基准图像数据集，旨在支持无监督学习和自监督学习的研究。它的显著特点在于，除了包含相对较少的标注样本（总计13,000张）之外，还提供了大量未标注图像（100,000张）。这种设计鼓励算法先利用未标注数据学习有用的视觉特征，再在标注子集上进行微调，模拟了实际场景中标注数据稀缺而未标注数据丰富的状况。
该数据集包含10个类别：飞机、鸟、汽车、猫、鹿、狗、马、猴子、船和卡车。每个标注类别包含1,300个样本，分为500个训练样本、500个测试样本和300个验证样本（不过，并非所有研究者都采用这种划分方式，他们常常会将训练集和验证集合并使用）。每张图像的分辨率为96x96像素，采用RGB色彩模式。未标注部分则来源于更广泛的动物和车辆类别（包括一些未出现在标注集中的类别），这为无监督学习带来了更大的挑战。所有图像均来自与ImageNet相似的分布。
历史与起源
STL-10由斯坦福大学（具体为斯坦福人工智能实验室）的Adam Coates、Honglak Lee和Andrew Y. Ng于2011年提出，是他们关于深度学习和特征提取研究的一部分。论文《An Analysis of Single-Layer Networks in Unsupervised Feature Learning》正式介绍了该数据集。其目标是提供一个紧凑且逼真的基准，用于评估无监督特征学习算法，同时避免对大规模计算资源的需求，因为96x96像素的图像足以支持快速实验，且分辨率高于CIFAR-10的32x32像素图像。
该数据集的设计直接支持了机器学习和深度学习的研究，特别是针对从无标注数据中学习表征的神经网络架构。它的创建延续了同一团队在CIFAR-10和CIFAR-100数据集上的早期工作，但STL-10特别强调了利用未标注数据来减少昂贵的人工标注需求。
与深度学习研究的关系
STL-10已成为人工智能研究中的一个标准基准，尤其用于评估诸如自编码器、受限玻尔兹曼机以及后来的对比学习等预训练方法。在2010年代末和2020年代初，随着自监督学习的兴起，STL-10仍然是一个常用的评估任务。其100,000张未标注图像为更大规模的未标注数据集（如ImageNet）提供了一个理想的代理，同时保持了可控的图像尺寸和类别数量。
由于标注数据非常有限（每类仅500个训练样本），该数据集迫使算法充分利用未标注数据池，从而成为对特征学习能力的严格考验。能够在STL-10上取得高准确率的模型，通常也展现出良好的泛化能力，这也是它至今仍是学术比较中有效目标的原因。该数据集常被用于测试来自OpenAI或Google DeepMind等机构的新方法，且实验成本较低。
数据构成与获取
STL-10以二进制文件形式分发，并附带一个ASCII格式的标签列表（0-9）。自发布以来，它已被整合到多个库中，例如TensorFlow和PyTorch，可直接用于数据集加载。未标注集合包含的类别远多于标注集合中的10类，不过官方文档并未提供这些未标注图像的精确类别名称。这些图像是ImageNet中更广泛分布的样本，涵盖了更多的动物和场景类别。
该数据集的一个实际优势在于，无需下载许可即可免费获取。斯坦福大学提供了原始托管，其他大学也设有镜像。进入2020年代，它仍然是学术论文中常见的比较对象，尽管由于文件较大（约1.5 GB，而CIFAR-10约为170 MB），其流行度略低于CIFAR-10。
在自监督学习中的应用
在视觉Transformer架构（如ViT）的时代，STL-10仍然是自监督预训练的一个相关评估平台。SimCLR、BYOL和DINO等方法都曾在STL-10上进行过测试，并与在小型标注集上的监督基线进行了比较。该数据集恰好提供了一个场景：未标注预训练可以带来显著收益（100k未标注图像对比5k训练图像），且图像分辨率更高。
此外，STL-10不仅用于分类任务的基准测试，还常用于评估表征学习质量，例如通过线性探针或KNN分类。其庞大的未标注数据池（相比CIFAR-10的50k）能够检验算法对未标注样本数量的敏感性，并允许测试算法在更大数据集上的可扩展性。虽然像ImageNet（1.28M）这样的现代基准已成为主要目标，但STL-10因其计算效率仍然具有价值。
局限性与遗产
与2010年代初的其他数据集一样，STL-10也存在一些缺点。其96像素的分辨率相对适中，不及ImageNet的多样性，图像多样性也较为有限。标注类别仅限于10类，这迫使算法在这些类别内进行细粒度识别任务。未标注集合的内容与标注集合并非完全不相交，但根据实验设计，它可能包含一些与标注集相同类别（如动物）的图像，只是未进行标注。
尽管如此，STL-10的发布推动了现代方法的发展。它将少量强标注数据与大量未标注数据相结合的特点，预示了后来对弱监督学习的兴趣。许多在人工智能领域的显著进展，例如在伯克利人工智能研究实验室和麻省理工学院计算机科学系的工作，都曾在关于无监督特征提取的论文中使用过它，这体现了其在视觉基准中的持久影响力。STL-10也常在学术会议中被灵活用于展示标准任务上的渐进式进展。截至2023年，它仍是深度学习课程中的标准教学案例，并在众多库文档中作为稳定参考。