CIFAR-100 数据集数据卡

数据集概要

CIFAR-100 数据集包含60000张尺寸为32x32的彩色图像，分为100个类别，每个类别有600张图像。每个类别有500张训练图像和100张测试图像。总共有50000张训练图像和10000张测试图像。这100个类别被分为20个总类别。每个图像有两个标签 - 细标签（实际类别）和粗标签（总类别）。

支持的任务和排行榜

• 图像分类：该任务的目标是将给定的图像分类到100个类别之一。排行榜可在 here 查看。

语言

英语

数据集结构

数据实例

以下是训练集中的一份样本：

{
  'img': <PIL.PngImagePlugin.PngImageFile image mode=RGB size=32x32 at 0x2767F58E080>, 'fine_label': 19,
  'coarse_label': 11
}

数据字段

• img：包含32x32图像的PIL.Image.Image对象。请注意，在访问图像列时，数据集[0]["image"]会自动解码图像文件。解码大量图像文件可能需要花费很长时间。因此，首先查询样本索引再查询“image”列非常重要，即始终优先使用dataset[0]["image"]而不是dataset["image"][0]

• fine_label：具有以下映射的整数分类标签:

  0: 苹果

  1: 水族馆中的鱼

  2: 婴儿

  3: 熊

  4: 海狸

  5: 床

  6: 蜜蜂

  7: 甲虫

  8: 自行车

  9: 瓶子

  10: 碗

  11: 男孩

  12: 桥梁

  13: 公共汽车

  14: 蝴蝶

  15: 骆驼

  16: 罐头

  17: 城堡

  18: 毛毛虫

  19: 牛

  20: 椅子

  21: 黑猩猩

  22: 时钟

  23: 云

  24: 蟑螂

  25: 沙发

  26: crayfish

  27: 鳄鱼

  28: 杯子

  29: 恐龙

  30: 海豚

  31: 大象

  32: 鲽鱼

  33: 森林

  34: 狐狸

  35: 女孩

  36: 仓鼠

  37: 房子

  38: 袋鼠

  39: 键盘

  40: 灯

  41: 草坪修剪机

  42: 豹

  43: 狮子

  44: 蜥蜴

  45: 龙虾

  46: 男人

  47: 枫树

  48: 摩托车

  49: 山

  50: 鼠标

  51: 蘑菇

  52: 橡树

  53: 橙子

  54: 兰花

  55: 水獭

  56: 棕榈树

  57: 梨

  58: 小型皮卡车

  59: 松树

  60: 平原

  61: 盘子

  62: 罂粟

  63: 管状动物

  64: 负鼠

  65: 兔子

  66: 浣熊

  67: 鳐鱼

  68: 道路

  69: 火箭

  70: 玫瑰

  71: 海洋

  72: 海豹

  73: 鲨鱼

  74: 鼩鼱

  75: 臭鼬

  76: 摩天大楼

  77: 蜗牛

  78: 蛇

  79: 蜘蛛

  80: 松鼠

  81: 有轨电车

  82: 向日葵

  83: 甜椒

  84: 桌子

  85: 坦克

  86: 电话

  87: 电视

  88: 老虎

  89: 拖拉机

  90: 火车

  91: 鳟鱼

  92: 郁金香

  93: 海龟

  94: 衣柜

  95: 鲸鱼

  96: 柳树

  97: 狼

  98: 女人

  99: 虫子

• coarse_label：具有以下映射的粗分类标签:

  0: 水生哺乳动物

  1: 鱼

  2: 花卉

  3: 食品容器

  4: 水果和蔬菜

  5: 家用电器

  6: 家具

  7: 昆虫

  8: 大型食肉动物

  9: 大型人造户外物品

  10: 大型自然户外场景

  11: 大型杂食动物和食草动物

  12: 中型哺乳动物

  13: 非昆虫无脊椎动物

  14: 人物

  15: 爬行动物

  16: 小型哺乳动物

  17: 树木

  18: 车辆1

  19: 车辆2

数据拆分

数据集创建

策划理由

[需要更多信息]

源数据

[需要更多信息]

[需要更多信息]

注释

[需要更多信息]

[需要更多信息]

个人和敏感信息

[需要更多信息]

使用数据时的注意事项

数据的社会影响

[需要更多信息]

偏见讨论

[需要更多信息]

其他已知限制

[需要更多信息]

其他信息

数据集策划者

[需要更多信息]

许可信息

[需要更多信息]

引用信息

@TECHREPORT{Krizhevsky09learningmultiple,
    author = {Alex Krizhevsky},
    title = {Learning multiple layers of features from tiny images},
    institution = {},
    year = {2009}
}

贡献

感谢 @gchhablani 添加此数据集。