加拿大高级研究所 (CIFAR) 开发了针对该问题的标准计算机视觉和深度学习数据集。CIFAR-10 数据集由 60,000 张照片组成，分为 10 个类别（因此命名为 CIFAR-10）。类包括常见的物体，如飞机、汽车、鸟类、猫等。数据集以标准方式拆分，其中 50,000 张图像用于训练模型，其余 10,000 张用于评估其性能。其他数据集有 MNIST、CIFAR-100 STL-10、SVHN、ILSVRC2012 等

最先进的结果是使用非常大的卷积神经网络实现的。您可以在Rodrigo Benenson 的网页上了解 CIFAR-10 的结果状态。模型性能以分类准确率报告，性能非常好，超过 90%。

这是一个关于使用 caffe 和 python 的卷积神经网络 的示例教程

是的。只需在最后一层之后移除 softmax 函数或将其替换为 Sigmoid，您的 vanilla 分类神经网络就会成为对象存在检测网络。这将问题从分类转变为多分类或回归，并且可以在图像中并行检测多个类别，而无需仅预测一个或固定数量的类别。

这个问题已经在几个项目中进行了研究。可以在此处找到有关该主题的文章的有趣概述。有关图像识别和神经网络的速成课程，请参阅这篇有趣的帖子。我希望这可以帮助您入门。

是的，你可以训练，但在此之前，你必须训练网络来识别你想要的对象。这意味着首先您需要将数据集与样本一起输入到网络中。让我们举个例子。如果您想从图像中识别椅子对象，请制作具有不同设计的椅子数据集。因此，基于此，如果您将任何新的椅子图像作为输入进行检查，它将将该对象识别为训练数据集中的椅子。