CIFAR-10
60,000 imágenes a color de objetos cotidianos, el siguiente paso natural después de MNIST.
ÁreaVisión por Computadora
DominioVisión Por Computadora
DificultadPrincipiante
Tamaño60,000 imágenes de 32x32 píxeles · 10 clases
¿Qué puedes lograr con este dataset?
- Entrenar CNNs sobre imágenes a color con más complejidad que MNIST
- Practicar técnicas de regularización y aumento de datos (data augmentation)
- Comparar arquitecturas (CNN básica, ResNet, etc.) en un benchmark estándar
Descripción
CIFAR-10 contiene 60,000 imágenes a color pequeñas repartidas en 10 clases (aviones, autos, pájaros, gatos, etc.), siendo el siguiente paso natural después de MNIST: suficientemente simple para entrenar rápido, pero suficientemente complejo para que las diferencias de arquitectura importen.
Casos de uso
- Benchmarking de arquitecturas de CNN de tamaño pequeño-mediano
- Práctica de aumento de datos y regularización
- Enseñanza intermedia de deep learning para visión
- Prototipado rápido antes de escalar a ImageNet
Cómo cargarlo
from tensorflow.keras.datasets import cifar10
(X_train, y_train), (X_test, y_test) = cifar10.load_data()
print(X_train.shape)Ventajas y limitaciones
Ventajas
- Disponible directamente en las librerías principales de deep learning
- Suficientemente desafiante para comparar arquitecturas de forma significativa
- Tamaño manejable, entrena en minutos con una GPU modesta
Limitaciones
- Las imágenes de 32x32 píxeles son demasiado pequeñas para muchas aplicaciones reales
- Menos rico y diverso que datasets modernos como ImageNet o COCO