基準影像資料集 (benchmark image datasets:CIFAR / MNIST)

除了 ImageNet 之外,還有一小群標準資料集擔任分類想法的試驗場,之所以受重視,是因為它們小到可以在幾分鐘內反覆實驗,卻又豐富到足以揭露不同方法之間的真實差異。MNIST 含有 7 萬張 28×28 的灰階手寫數字影像,分為 10 個類別;它是影像分類經典的「Hello World」,如今簡單到強模型可超過 99% 準確率,已不太能區分好方法之間的優劣。

CIFAR-10 與 CIFAR-100 各含有 6 萬張 32×32 的微小彩色照片,分別切分成 10 個粗類別(飛機、狗、船等等)與 100 個較細的類別。它們是原型化架構、擴增方案與正規化手法的主力基準,因為完整的一次訓練在單一 GPU 上於合理時間內即可完成,而 CIFAR-100 每類樣本較少,使得過度擬合與類別混淆易於研究。

善用這些基準意味著尊重它們的慣例:在官方測試切分上回報結果、絕不在其上調參,並記住在微小低解析度影像上得到的結論,不一定能遷移到像 ImageNet 那樣的高解析度、大量類別場景。它們是快速、受控比較的工具,而非真實世界效能的證明。