图像分类项目中使用的数据集对于模型训练至关重要。选择合适的数据集可以显著影响模型的表现和训练效率。在本项目中我使用的是CIFAR-10数据集。但有必要介绍其它一些经典且常用的图像分类数据集的详细介绍：
1. MNIST（Modified National Institute of Standards and Technology）
- 类型: 手写数字分类
- 规模: 70,000张灰度图像（60,000张训练集，10,000张测试集）
- 图像大小: 28x28像素
- 类别: 10类（数字0到9）
- 应用场景: 基础的手写体数字识别，广泛用于神经网络和机器学习入门项目。
- 特点:
- 适合初学者，因为数据集较小，模型训练速度快。
- 数据集非常干净，便于训练和调试。
使用MNIST的典型模型：
- 简单的多层感知机（MLP）
- 卷积神经网络（CNN）
2. CIFAR-10
- 类型: 通用物体分类
- 规模: 60,000张彩色图像（50,000张训练集，10,000张测试集）
- 图像大小: 32x32像素
- 类别: 10类（飞机、汽车、鸟、猫、鹿、狗、青蛙、马、船、卡车）
- 应用场景: 常用于测试卷积神经网络的性能。
- 特点:
- 图像尺寸小，适合快速训练。
- 数据集包含自然场景中的物体，适合探索基本的图像分类问题。
使用CIFAR-10的典型模型：
- ResNet、VGG、DenseNet等深度卷积神经网络。
3. CIFAR-100
- 类型: 通用物体分类
- 规模: 60,000张彩色图像（50,000张训练集，10,000张测试集）
- 图像大小: 32x32像素
- 类别: 100类，每类有600张图像。
- 应用场景: 更细粒度的分类任务。
- 特点:
- 比CIFAR-10更具挑战性，因为类别数量更多，类间差异更小。
- 用于在更复杂的分类任务中测试模型的泛化能力。
4. ImageNet
- 类型: 通用物体分类
- 规模: 超过1400万张图像，1000类
- 图像大小: 可变，一般为224x224或更高
- 类别: 1000类，覆盖从动物、植物到日常物品的广泛类别
- 应用场景: 是深度学习领域最著名的数据集之一，常用于训练和评估大规模深度神经网络。
- 特点:
- 图像分辨率较高，类别繁多，适合大规模模型训练。
- ImageNet挑战赛推动了深度学习技术的发展，特别是卷积神经网络（CNN）。
- 常用于迁移学习，预训练模型如ResNet、Inception、EfficientNet等通常在ImageNet上训练，然后用于其他任务。
5. Fashion-MNIST
- 类型: 服装分类
- 规模: 70,000张灰度图像（60,000张训练集，10,000张测试集）
- 图像大小: 28x28像素
- 类别: 10类（T恤、裤子、套头衫、连衣裙、外套、凉鞋、衬衫、运动鞋、包、踝靴）
- 应用场景: Fashion-MNIST是MNIST的一个替代版本，分类任务更加现代和现实化。
- 特点:
- 类似MNIST的结构，但内容更加复杂。
- 适合初学者的深度学习项目，特别是服装相关的图像分类任务。
6. Tiny ImageNet
- 类型: 通用物体分类
- 规模: 110,000张图像（100,000张训练集，10,000张验证集，10,000张测试集）
- 图像大小: 64x64像素
- 类别: 200类
- 应用场景: 是ImageNet的缩小版本，常用于探索ImageNet级别的分类任务，但计算资源消耗更少。
- 特点:
- 比CIFAR-10更具挑战性，但不如ImageNet那么大。
- 适合在有限计算资源下测试复杂的图像分类模型。
7. Stanford Dogs Dataset
- 类型: 动物（犬类）分类
- 规模: 20,580张图像（120类犬种）
- 图像大小: 可变
- 类别: 120类不同品种的狗
- 应用场景: 适合宠物图像分类、物种识别等领域。
- 特点:
- 每个类别的图像数量较少，因此适合小样本学习或数据增强实验。
- 用于细粒度图像分类，因为狗的不同品种在外观上差异微小。
8. CelebA（CelebFaces Attributes Dataset）
- 类型: 面部识别和特征分类
- 规模: 202,599张人脸图像
- 图像大小: 可变
- 类别: 40种人脸属性（例如性别、眼镜、笑容、发型等）
- 应用场景: 常用于人脸识别、表情识别或特征提取项目。
- 特点:
- 人脸数据集中带有丰富的属性标签，适合多标签分类任务。
- 数据集应用广泛，不仅用于分类，还用于生成模型（如GAN）。
