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
Fuente oficial

¿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

Cómo cargarlopython
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

Datasets relacionados