─░├žeri─če ge├ž

Caltech-101 Veri Seti

Caltech-101 veri k├╝mesi, 101 nesne kategorisinden yakla┼č─▒k 9.000 g├Âr├╝nt├╝ i├žeren, nesne tan─▒ma g├Ârevleri i├žin yayg─▒n olarak kullan─▒lan bir veri k├╝mesidir. Kategoriler, ├že┼čitli ger├žek d├╝nya nesnelerini yans─▒tacak ┼čekilde se├žilmi┼čtir ve g├Âr├╝nt├╝lerin kendileri, nesne tan─▒ma algoritmalar─▒ i├žin zorlu bir ├Âl├ž├╝t sa─člamak ├╝zere dikkatlice se├žilmi┼č ve a├ž─▒klanm─▒┼čt─▒r.

Temel ├ľzellikler

  • Caltech-101 veri k├╝mesi 101 kategoriye ayr─▒lm─▒┼č yakla┼č─▒k 9.000 renkli g├Âr├╝nt├╝den olu┼čmaktad─▒r.
  • Kategoriler hayvanlar, ara├žlar, ev e┼čyalar─▒ ve insanlar da dahil olmak ├╝zere ├žok ├že┼čitli nesneleri kapsamaktad─▒r.
  • Kategori ba┼č─▒na resim say─▒s─▒ de─či┼čmekte olup, her kategoride yakla┼č─▒k 40 ila 800 resim bulunmaktad─▒r.
  • G├Âr├╝nt├╝ler de─či┼čken boyutlardad─▒r ve ├žo─ču g├Âr├╝nt├╝ orta ├ž├Âz├╝n├╝rl├╝ktedir.
  • Caltech-101, ├Âzellikle nesne tan─▒ma g├Ârevleri olmak ├╝zere makine ├Â─črenimi alan─▒nda e─čitim ve test i├žin yayg─▒n olarak kullan─▒lmaktad─▒r.

Veri K├╝mesi Yap─▒s─▒

Di─čer bir├žok veri k├╝mesinin aksine, Caltech-101 veri k├╝mesi resmi olarak e─čitim ve test k├╝melerine ayr─▒lmam─▒┼čt─▒r. Kullan─▒c─▒lar genellikle kendi ├Âzel ihtiya├žlar─▒na g├Âre kendi ayr─▒mlar─▒n─▒ olu┼čtururlar. Bununla birlikte, yayg─▒n bir uygulama, e─čitim i├žin rastgele bir g├Âr├╝nt├╝ alt k├╝mesi (├Ârne─čin, kategori ba┼č─▒na 30 g├Âr├╝nt├╝) ve test i├žin kalan g├Âr├╝nt├╝leri kullanmakt─▒r.

Uygulamalar

Caltech-101 veri k├╝mesi, Evri┼čimli Sinir A─člar─▒ (CNN'ler), Destek Vekt├Âr Makineleri (SVM'ler) ve di─čer ├že┼čitli makine ├Â─črenimi algoritmalar─▒ gibi nesne tan─▒ma g├Ârevlerinde derin ├Â─črenme modellerini e─čitmek ve de─čerlendirmek i├žin yayg─▒n olarak kullan─▒lmaktad─▒r. ├çok ├že┼čitli kategorileri ve y├╝ksek kaliteli g├Âr├╝nt├╝leri, onu makine ├Â─črenimi ve bilgisayarla g├Ârme alan─▒nda ara┼čt─▒rma ve geli┼čtirme i├žin m├╝kemmel bir veri k├╝mesi haline getirmektedir.

Kullan─▒m

Caltech-101 veri k├╝mesi ├╝zerinde 100 epokluk bir YOLO modelini e─čitmek i├žin a┼ča─č─▒daki kod par├žac─▒klar─▒n─▒ kullanabilirsiniz. Kullan─▒labilir ba─č─▒ms─▒z de─či┼čkenlerin kapsaml─▒ bir listesi i├žin Model E─čitimi sayfas─▒na bak─▒n.

Tren ├ľrne─či

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n-cls.pt")  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data="caltech101", epochs=100, imgsz=416)
# Start training from a pretrained *.pt model
yolo detect train data=caltech101 model=yolov8n-cls.pt epochs=100 imgsz=416

├ľrnek G├Âr├╝nt├╝ler ve A├ž─▒klamalar

Caltech-101 veri k├╝mesi, ├že┼čitli nesnelerin y├╝ksek kaliteli renkli g├Âr├╝nt├╝lerini i├žerir ve nesne tan─▒ma g├Ârevleri i├žin iyi yap─▒land─▒r─▒lm─▒┼č bir veri k├╝mesi sa─člar. ─░┼čte veri k├╝mesinden baz─▒ g├Âr├╝nt├╝ ├Ârnekleri:

Veri k├╝mesi ├Ârnek g├Âr├╝nt├╝s├╝

├ľrnek, Caltech-101 veri k├╝mesindeki nesnelerin ├že┼čitlili─čini ve karma┼č─▒kl─▒─č─▒n─▒ g├Âstermekte ve sa─člam nesne tan─▒ma modellerini e─čitmek i├žin ├že┼čitli bir veri k├╝mesinin ├Ânemini vurgulamaktad─▒r.

At─▒flar ve Te┼čekk├╝r

Ara┼čt─▒rma veya geli┼čtirme ├žal─▒┼čmalar─▒n─▒zda Caltech-101 veri setini kullan─▒yorsan─▒z, l├╝tfen a┼ča─č─▒daki makaleye at─▒fta bulunun:

@article{fei2007learning,
  title={Learning generative visual models from few training examples: An incremental Bayesian approach tested on 101 object categories},
  author={Fei-Fei, Li and Fergus, Rob and Perona, Pietro},
  journal={Computer vision and Image understanding},
  volume={106},
  number={1},
  pages={59--70},
  year={2007},
  publisher={Elsevier}
}

Li Fei-Fei, Rob Fergus ve Pietro Perona'ya Caltech-101 veri setini makine ├Â─črenimi ve bilgisayarla g├Ârme ara┼čt─▒rma toplulu─ču i├žin de─čerli bir kaynak olarak olu┼čturduklar─▒ ve s├╝rd├╝rd├╝kleri i├žin te┼čekk├╝r ederiz. Caltech-101 veri seti ve yarat─▒c─▒lar─▒ hakk─▒nda daha fazla bilgi i├žin Caltech-101 veri seti web sitesini ziyaret edin.



Created 2023-11-12, Updated 2024-06-02
Authors: glenn-jocher (5)

Yorumlar