CIFAR-10 Veri Kümesi#
CIFAR-10 (İleri Araştırmalar için Kanada Enstitüsü) veri kümesi, 10 sınıfa eşit olarak bölünmüş 60.000 adet 32x32 renkli görüntüden oluşan klasik bir görüntü sınıflandırma kıyaslama ölçütüdür: uçak, otomobil, kuş, kedi, geyik, köpek, kurbağa, at, gemi ve kamyon. Veri kümesi, 50.000 eğitim ve 10.000 test görüntüsünden oluşan önceden tanımlanmış bir bölmeyle (sınıf başına 6.000 görüntü) sunulur; bu da onu sınıflandırma modellerini eğitmek ve kıyaslamak için hafif ve iyi dengelenmiş bir başlangıç noktası hâline getirir. Daha ince ayrıntılı bir görev için ilgili CIFAR-100 veri kümesine bakabilirsin.
Örnekleri önizlemek, veri kümesi istatistiklerini incelemek ve eğitim için klonlamak üzere Ultralytics Platform'da CIFAR-10'u keşfet.
Temel Özellikler#
- CIFAR-10, 32x32 piksel boyutunda 60.000 renkli görüntü içerir ve bu görüntüler 10 sınıfa eşit olarak dağıtılmıştır.
- Her sınıfta tam olarak 6.000 görüntü bulunur — 5.000 eğitim ve 1.000 test görüntüsü — bu nedenle veri kümesi tamamen dengelidir.
- 10 sınıf şunlardır: uçak, otomobil, kuş, kedi, geyik, köpek, kurbağa, at, gemi ve kamyon.
- Veri kümesi, önceden tanımlanmış bir eğitim/test bölmesiyle sunulur; bu nedenle manuel veya otomatik bölme yapılması gerekmez.
- CIFAR-10, görüntü sınıflandırma ve nesne tanıma araştırmaları için standart bir kıyaslama ölçütüdür.
Veri Kümesi Yapısı#
CIFAR-10, resmî ve önceden tanımlanmış bir bölmeyle sunulur; bu nedenle otomatik veya manuel bölümleme gerekmez:
- Sınıflar: 10 (uçak, otomobil, kuş, kedi, geyik, köpek, kurbağa, at, gemi, kamyon)
- Toplam görüntü: 60.000 (32x32 renkli)
- Eğitim kümesi: 50.000 görüntü (sınıf başına 5.000)
- Test kümesi: 10.000 görüntü (sınıf başına 1.000)
CIFAR-10'da ayrı bir doğrulama klasörü bulunmadığından Ultralytics, eğitim sırasında varsayılan olarak 10.000 görüntülük test kümesini doğrulama bölmesi olarak kullanır.
Uygulamalar#
CIFAR-10, klasik Evrişimli Sinir Ağlarından (CNNs) ve Destek Vektör Makinelerinden (SVMs) modern derin mimarilere kadar görüntü sınıflandırma modellerini eğitmek ve değerlendirmek için yaygın olarak kullanılır. Küçük görüntü boyutu ve dengeli sınıfları, onu hızlı deneyler yapmak, yeni algoritmaları kıyaslamak ve bilgisayarlı görü temellerini öğretmek için ideal hâle getirir.
Kullanım#
Bir YOLO modelini CIFAR-10 üzerinde görüntü boyutu 32 olacak şekilde 100 epoch boyunca eğit. Kullanılabilir tüm bağımsız değişkenlerin tam listesi için Eğitim sayfasına ve görüntü sınıflandırma görev kılavuzuna bak.
from ultralytics import YOLO
# Load a model
model = YOLO("yolo26n-cls.pt") # load a pretrained model (recommended for training)
# Train the model
results = model.train(data="cifar10", epochs=100, imgsz=32)Örnek Görüntüler ve Açıklamalar#
CIFAR-10 veri kümesi çeşitli nesnelerin renkli görüntülerini içerir ve görüntü sınıflandırma görevleri için iyi yapılandırılmış bir veri kümesi sunar. Veri kümesinden bazı görüntü örnekleri aşağıda verilmiştir:
Örnekler, CIFAR-10 veri kümesindeki nesnelerin çeşitliliğini göstererek sağlam görüntü sınıflandırma modellerini eğitmek için çeşitli bir veri kümesinin değerini ortaya koyar.
Atıflar ve Teşekkürler#
CIFAR-10 veri kümesini araştırma veya geliştirme çalışmalarında kullanıyorsan lütfen aşağıdaki makaleye atıfta bulun:
@TECHREPORT{Krizhevsky09learningmultiple,
author={Alex Krizhevsky},
title={Learning multiple layers of features from tiny images},
institution={},
year={2009}
}Değerli bir kaynak olarak CIFAR-10 veri kümesini oluşturan ve sürdüren Alex Krizhevsky'ye makine öğrenimi ve bilgisayarlı görü araştırma topluluğuna katkılarından dolayı teşekkür ederiz. CIFAR-10 veri kümesi ve oluşturucusu hakkında daha fazla bilgi için CIFAR-10 veri kümesi web sitesini ziyaret edebilirsin.
SSS#
CIFAR-10 veri kümesi, görüntü sınıflandırma ve nesne tanıma modellerini eğitmek ve kıyaslamak için yaygın olarak kullanılır. Veri kümesi, 10 sınıfa eşit olarak dağıtılmış 60.000 adet 32x32 renkli görüntü içerir; küçük boyutu ve dengeli sınıfları, onu Evrişimli Sinir Ağları (CNNs) ve Destek Vektör Makineleri (SVMs) gibi algoritmalar için hızlı ve güvenilir bir kıyaslama ölçütü hâline getirir.
CIFAR-10 üzerinde bir Ultralytics YOLO modelini eğitmek için aşağıdaki kod parçacıklarını kullan. Veri kümesi ilk kullanımda otomatik olarak indirilir. Bağımsız değişkenlerin tam listesi için modelin Eğitim sayfasına bak.
Eğitim Örneğifrom ultralytics import YOLO # Load a model model = YOLO("yolo26n-cls.pt") # load a pretrained model (recommended for training) # Train the model results = model.train(data="cifar10", epochs=100, imgsz=32)CIFAR-10'da 10 sınıf bulunur — uçak, otomobil, kuş, kedi, geyik, köpek, kurbağa, at, gemi ve kamyon — her sınıfta tam olarak 6.000 görüntü olmak üzere toplam 60.000 görüntü vardır. Sınıflar birbirini dışlar ve tamamen dengelidir; kategoriler arasında örtüşme yoktur.
CIFAR-10, 50.000 eğitim görüntüsü ve 10.000 test görüntüsünden oluşan önceden tanımlanmış bir bölmeyle sunulur; her sınıfta tam olarak 5.000 eğitim ve 1.000 test görüntüsü bulunur. Ultralytics'in otomatik olarak böldüğü klasör tabanlı sınıflandırma veri kümelerinin aksine CIFAR-10'un resmî bölümü olduğu gibi kullanılır ve test kümesi eğitim sırasında varsayılan olarak doğrulama bölmesi görevi görür.
Evet. Ultralytics Platform, veri kümelerini yönetmene, görüntü sınıflandırma modellerini eğitmene ve kapsamlı kodlama gerektirmeden dağıtmana olanak tanır. CIFAR-10 deneylerini bulutta çalıştırmak için kullanışlı bir yöntemdir; daha fazla seçeneği sınıflandırma veri kümelerine genel bakış sayfamızda keşfedebilirsin.