CIFAR‑10（Canadian Institute For Advanced Research）是机器学习与计算机视觉领域最常用的基准图像分类数据集之一。它由 Alex Krizhevsky、Vinod Nair 与 Geoffrey Hinton 在 2009‑2010 年收集并公开发布。
| 项目 | 内容 |
|---|---|
| 数据规模 | 共 60 000 张 32 × 32 像素的彩色图像，其中 50 000 张用于训练，10 000 张用于测试 |
| 类别 | 10 类，每类 6 000 张图像，分别是：飞机、汽车、鸟、猫、鹿、狗、青蛙、马、船、卡车 |
| 来源 | 从更大的 TinyImages 数据集（约 8000 万张小图）中抽取而来 |
| 文件格式 | 提供三种常用格式： • Python pickle（.pkl）• MATLAB .mat• 原始二进制 .bin，每张图像占 3072 字节（RGB 按顺序存储） |
| 下载地址 | 官方主页：http://www.cs.toronto.edu/\~kriz/cifar.html （可直接下载 cifar-10-python.tar.gz 等压缩包） |
| 常见使用场景 | - 验证卷积神经网络（CNN）结构与训练技巧 - 对比不同机器学习模型（SVM、随机森林、深度学习等）的分类性能 - 研究数据增强、正则化、迁移学习等技术的效果 - 作为教学示例，帮助学生快速上手图像分类任务 |
| 数据组织 | 训练集被划分为 5 个批次（data_batch_1~data_batch_5），每批 10 000 张；测试集为 test_batch（10 000 张） |
| 标签映射 | batches.meta 文件中保存了 0‑9 与类别名称的对应关系，便于在代码中将数值标签转为可读文字 |
为什么 CIFAR‑10 仍然重要？
- 规模适中：相较于 ImageNet（上千万张）更易在普通硬件上快速实验；相较于 MNIST（灰度手写数字）更具挑战性，因为图像是彩色且包含真实物体的多样外观。
- 标准化基准：几乎所有新提出的图像分类模型都会在 CIFAR‑10 上报告准确率，以便与已有工作直接比较。
- 丰富的衍生工作：如 CIFAR‑100、CIFAR‑10‑W（扩展真实世界测试集）等，进一步推动模型的鲁棒性研究。
获取与使用示例（Python）
import pickle, numpy as np, os
def load_batch(file):
with open(file, 'rb') as f:
dict = pickle.load(f, encoding='bytes')
data = dict[b'data'] # shape (10000, 3072)
labels = dict[b'labels']
# reshape 为 (N, 3, 32, 32)
images = data.reshape(-1, 3, 32, 32).transpose(0, 2, 3, 1)
return images, np.array(labels)
train_images, train_labels = [], []
for i in range(1, 6):
imgs, lbls = load_batch(f'cifar-10-batches-py/data_batch_{i}')
train_images.append(imgs); train_labels.append(lbls)
train_images = np.concatenate(train_images)
train_labels = np.concatenate(train_labels)
test_images, test_labels = load_batch('cifar-10-batches-py/test_batch')
上述代码演示了如何读取官方提供的 Python pickle 文件，得到形状为 (N, 32, 32, 3) 的 RGB 图像数组，直接可用于 TensorFlow、PyTorch 等深度学习框架的 DataLoader。
总结：CIFAR‑10 是一个包含 60 000 张 32 × 32 彩色图像、分属 10 类的经典视觉基准。它来源于 TinyImages，提供多种文件格式，下载链接在官方主页。由于规模适中且难度适中，成为评估和比较图像分类算法的首选数据集。若需要进一步的技术细节或最新的衍生数据集（如 CIFAR‑10‑W），可参考相应的学术论文与社区博客。
声明：文章均为AI生成，请谨慎辨别信息的真伪和可靠性！