wltjr1007/cifar100_clip

---
annotations_creators:
- crowdsourced
language_creators:
- found
language:
- en
license:
- unknown
multilinguality:
- monolingual
size_categories:
- 10K<n<100K
source_datasets:
- extended|other-80-Million-Tiny-Images
task_categories:
- image-classification
task_ids: []
paperswithcode_id: cifar-100
pretty_name: Cifar100
dataset_info:
config_name: cifar100
features:
- name: img
dtype: image
- name: fine_label
dtype:
class_label:
names:
'0': apple
'1': aquarium_fish
'2': baby
'3': bear
'4': beaver
'5': bed
'6': bee
'7': beetle
'8': bicycle
'9': bottle
'10': bowl
'11': boy
'12': bridge
'13': bus
'14': butterfly
'15': camel
'16': can
'17': castle
'18': caterpillar
'19': cattle
'20': chair
'21': chimpanzee
'22': clock
'23': cloud
'24': cockroach
'25': couch
'26': cra
'27': crocodile
'28': cup
'29': dinosaur
'30': dolphin
'31': elephant
'32': flatfish
'33': forest
'34': fox
'35': girl
'36': hamster
'37': house
'38': kangaroo
'39': keyboard
'40': lamp
'41': lawn_mower
'42': leopard
'43': lion
'44': lizard
'45': lobster
'46': man
'47': maple_tree
'48': motorcycle
'49': mountain
'50': mouse
'51': mushroom
'52': oak_tree
'53': orange
'54': orchid
'55': otter
'56': palm_tree
'57': pear
'58': pickup_truck
'59': pine_tree
'60': plain
'61': plate
'62': poppy
'63': porcupine
'64': possum
'65': rabbit
'66': raccoon
'67': ray
'68': road
'69': rocket
'70': rose
'71': sea
'72': seal
'73': shark
'74': shrew
'75': skunk
'76': skyscraper
'77': snail
'78': snake
'79': spider
'80': squirrel
'81': streetcar
'82': sunflower
'83': sweet_pepper
'84': table
'85': tank
'86': telephone
'87': television
'88': tiger
'89': tractor
'90': train
'91': trout
'92': tulip
'93': turtle
'94': wardrobe
'95': whale
'96': willow_tree
'97': wolf
'98': woman
'99': worm
- name: coarse_label
dtype:
class_label:
names:
'0': aquatic_mammals
'1': fish
'2': flowers
'3': food_containers
'4': fruit_and_vegetables
'5': household_electrical_devices
'6': household_furniture
'7': insects
'8': large_carnivores
'9': large_man-made_outdoor_things
'10': large_natural_outdoor_scenes
'11': large_omnivores_and_herbivores
'12': medium_mammals
'13': non-insect_invertebrates
'14': people
'15': reptiles
'16': small_mammals
'17': trees
'18': vehicles_1
'19': vehicles_2
---

annotations_creators:
- 众包（crowdsourced）
language_creators:
- 公开采集（found）
language:
- 英语（en）
license:
- 未知（unknown）
multilinguality:
- 单语言（monolingual）
size_categories:
- 10000<样本数<100000（10K<n<100K）
source_datasets:
- 扩展|其他-8000万微小图像数据集（extended|other-80-Million-Tiny-Images）
task_categories:
- 图像分类（image-classification）
task_ids: []
paperswithcode_id: cifar-100
pretty_name: CIFAR-100
dataset_info:
config_name: cifar100
features:
- name: img
dtype: 图像（image）
- name: fine_label
dtype:
class_label:
names:
'0': 苹果（apple）
'1': 观赏鱼（aquarium_fish）
'2': 婴儿（baby）
'3': 熊（bear）
'4': 海狸（beaver）
'5': 床（bed）
'6': 蜜蜂（bee）
'7': 甲虫（beetle）
'8': 自行车（bicycle）
'9': 瓶子（bottle）
'10': 碗（bowl）
'11': 男孩（boy）
'12': 桥梁（bridge）
'13': 公共汽车（bus）
'14': 蝴蝶（butterfly）
'15': 骆驼（camel）
'16': 罐头（can）
'17': 城堡（castle）
'18': 毛毛虫（caterpillar）
'19': 牛（cattle）
'20': 椅子（chair）
'21': 黑猩猩（chimpanzee）
'22': 时钟（clock）
'23': 云（cloud）
'24': 蟑螂（cockroach）
'25': 长沙发（couch）
'26': 螃蟹（crab）
'27': 鳄鱼（crocodile）
'28': 杯子（cup）
'29': 恐龙（dinosaur）
'30': 海豚（dolphin）
'31': 大象（elephant）
'32': 比目鱼（flatfish）
'33': 森林（forest）
'34': 狐狸（fox）
'35': 女孩（girl）
'36': 仓鼠（hamster）
'37': 房屋（house）
'38': 袋鼠（kangaroo）
'39': 键盘（keyboard）
'40': 灯（lamp）
'41': 割草机（lawn_mower）
'42': 豹（leopard）
'43': 狮子（lion）
'44': 蜥蜴（lizard）
'45': 龙虾（lobster）
'46': 男性（man）
'47': 枫树（maple_tree）
'48': 摩托车（motorcycle）
'49': 山脉（mountain）
'50': 老鼠（mouse）
'51': 蘑菇（mushroom）
'52': 橡树（oak_tree）
'53': 橙子（orange）
'54': 兰花（orchid）
'55': 水獭（otter）
'56': 棕榈树（palm_tree）
'57': 梨（pear）
'58': 皮卡卡车（pickup_truck）
'59': 松树（pine_tree）
'60': 平原（plain）
'61': 盘子（plate）
'62': 罂粟（poppy）
'63': 豪猪（porcupine）
'64': 负鼠（possum）
'65': 兔子（rabbit）
'66': 浣熊（raccoon）
'67': 鳐鱼（ray）
'68': 道路（road）
'69': 火箭（rocket）
'70': 玫瑰（rose）
'71': 海洋（sea）
'72': 海豹（seal）
'73': 鲨鱼（shark）
'74': 鼩鼱（shrew）
'75': 臭鼬（skunk）
'76': 摩天大楼（skyscraper）
'77': 蜗牛（snail）
'78': 蛇（snake）
'79': 蜘蛛（spider）
'80': 松鼠（squirrel）
'81': 有轨电车（streetcar）
'82': 向日葵（sunflower）
'83': 甜椒（sweet_pepper）
'84': 桌子（table）
'85': 坦克（tank）
'86': 电话（telephone）
'87': 电视机（television）
'88': 老虎（tiger）
'89': 拖拉机（tractor）
'90': 火车（train）
'91': 鳟鱼（trout）
'92': 郁金香（tulip）
'93': 乌龟（turtle）
'94': 衣柜（wardrobe）
'95': 鲸鱼（whale）
'96': 柳树（willow_tree）
'97': 狼（wolf）
'98': 女性（woman）
'99': 蠕虫（worm）
- name: coarse_label
dtype:
class_label:
names:
'0': 水生哺乳动物（aquatic_mammals）
'1': 鱼类（fish）
'2': 花卉（flowers）
'3': 食品容器（food_containers）
'4': 水果与蔬菜（fruit_and_vegetables）
'5': 家用电气设备（household_electrical_devices）
'6': 家用家具（household_furniture）
'7': 昆虫（insects）
'8': 大型食肉动物（large_carnivores）
'9': 大型人造户外设施（large_man-made_outdoor_things）
'10': 大型自然户外场景（large_natural_outdoor_scenes）
'11': 大型杂食与草食动物（large_omnivores_and_herbivores）
'12': 中型哺乳动物（medium_mammals）
'13': 非昆虫无脊椎动物（non-insect_invertebrates）
'14': 人物（people）
'15': 爬行动物（reptiles）
'16': 小型哺乳动物（small_mammals）
'17': 树木（trees）
'18': 交通工具1（vehicles_1）
'19': 交通工具2（vehicles_2）

原始信息汇总

数据集概述

基本信息

• 语言: 英语 (en)
• 许可证: 未知
• 多语言性: 单语
• 大小: 10,000至100,000条记录

数据来源

• 来源: 扩展自 "80 Million Tiny Images"

任务类型

• 任务类别: 图像分类

数据集结构

• 配置名称: cifar100
• 特征:
  • img: 图像数据
  • fine_label: 精细分类标签，包含100个类别，如苹果、水族馆鱼、熊等。
  • coarse_label: 粗分类标签，包含20个类别，如水生哺乳动物、鱼、花等。

标签信息

• 精细分类标签:
  • 类别名称从0至99，每个数字对应一个具体物品或生物的名称。
• 粗分类标签:
  • 类别名称从0至19，每个数字对应一个更广泛的分类名称。

搜集汇总

数据集介绍

构建方式

CIFAR-100数据集源自80 Million Tiny Images数据库，由众包方式完成标注，共包含60,000张32x32像素的彩色图像，涵盖100个细粒度类别，每个类别包含600张图像。这些类别进一步归并为20个超类，形成层次化标签结构。数据集划分为50,000张训练图像和10,000张测试图像，确保类别分布均衡。图像内容覆盖自然物体、动物、人造物品及场景等多种领域，为细粒度与粗粒度图像分类任务提供了标准化基准。

特点

该数据集的核心特点在于其双重标签体系：每个样本同时拥有细粒度标签（如'苹果'、'海豚'）和超类标签（如'水果蔬菜'、'水生哺乳动物'），支持从具体到抽象的多层次学习。100个类别的设置平衡了类别多样性与样本数量，既避免了类别过少导致的简单化，又防止了类别过多带来的稀疏性问题。图像尺寸统一且分辨率较低，迫使模型关注全局形状与纹理特征，而非局部细节，从而检验算法的泛化能力。

使用方法

数据集通过HuggingFace的datasets库加载，用户可直接调用`load_dataset('wltjr1007/cifar100_clip')`获取数据。加载后的数据集包含'img'（图像张量）、'fine_label'（细粒度类别索引）和'coarse_label'（超类类别索引）三个字段。适用于PyTorch或TensorFlow框架的图像分类模型训练，可通过`with_transform`方法进行数据增强。评估时采用整体准确率与各类别平均准确率作为指标，细粒度与超类预测可分别评测模型的分辨能力与归纳能力。

背景与挑战

背景概述

CIFAR-100数据集由加拿大高等研究院（CIFAR）的Alex Krizhevsky、Vinod Nair和Geoffrey Hinton于2009年创建，源自80 Million Tiny Images数据集，旨在推动细粒度图像分类研究。该数据集包含60,000张32x32像素的彩色图像，覆盖100个精细类别，并进一步归为20个粗粒度超类，为多层级分类任务提供了独特基准。其发布对计算机视觉领域产生了深远影响，成为评估模型在有限分辨率下识别复杂对象能力的标准测试平台，尤其在迁移学习和对比学习（如CLIP）研究中被广泛采用，促进了视觉表征学习的发展。

当前挑战

CIFAR-100数据集面临的核心挑战在于其固有的细粒度分类难度，100个类别间存在高度视觉相似性（如不同鱼类或花卉），对模型区分细微特征的能力要求严苛。构建过程中，由于图像源自互联网，部分样本存在标签噪声、分辨率低下及光照变化等问题，增加了学习的复杂性。此外，类别分布不均和粗粒度与细粒度标签间的语义鸿沟，使得模型在泛化与层级理解上需额外设计策略，这些因素共同构成了利用该数据集进行高效视觉识别的关键障碍。

常用场景

经典使用场景

CIFAR-100数据集作为视觉领域经久不衰的基准测试平台，其经典应用场景集中在小样本学习与细粒度图像分类任务的验证与评估上。该数据集包含100个精细类别，每个类别600张32×32像素的彩色图像，并进一步划分为20个超类，为研究者提供了从粗粒度到细粒度的多层次分类挑战。在迁移学习、元学习以及自监督学习等前沿范式中，CIFAR-100常被用作衡量模型泛化能力的标准试金石，尤其适用于检验算法在类别间视觉差异微妙、数据量受限条件下的判别性能。

实际应用

在实际应用中，CIFAR-100数据集所催生的技术成果已广泛渗透至智能监控、自动驾驶、医疗影像分析及农业病虫害检测等领域。例如，基于该数据集优化的轻量级卷积神经网络能够高效部署于边缘设备，实现实时物体识别；其层次化分类思想被应用于工业质检系统中的缺陷分级诊断。此外，面向CIFAR-100设计的抗噪声训练策略直接提升了移动端相机在弱光环境下对花卉、动物等对象的识别准确率，展现出从实验室到产业落地的强劲转化潜力。

衍生相关工作

基于CIFAR-100数据集，学术界涌现了诸多里程碑式的衍生工作。经典的ResNet系列通过在该数据集上的消融实验，验证了残差连接对深层网络训练的突破性贡献；Vision Transformer的早期成功亦离不开CIFAR-100的基准测试支撑。更为重要的是，该数据集催生了如CutMix、MixUp等数据增强技术，以及SimCLR、MoCo等对比学习框架的兴起。这些工作不仅深化了对视觉表征本质的理解，更推动了图像分类、目标检测乃至多模态学习范式的整体演进。