İçeriğe geç

CIFAR-10 Veri Seti

CIFAR-10 (Canadian Institute For Advanced Research) veri seti, makine öğrenimi ve bilgisayarla görme algoritmaları için yaygın olarak kullanılan bir görüntü koleksiyonudur. CIFAR enstitüsündeki araştırmacılar tarafından geliştirilmiştir ve 10 farklı sınıfta 60.000 32x32 renkli görüntüden oluşmaktadır.



İzle: Bir Çocuk Nasıl Eğitilir? Görüntü Sınıflandırma Ultralytics YOLO11 kullanılarak CIFAR-10 Veri Seti ile Model

Temel Özellikler

  • CIFAR-10 veri kümesi, 10 sınıfa ayrılmış 60.000 görüntüden oluşmaktadır.
  • Her sınıf, eğitim için 5.000 ve test için 1.000 olmak üzere 6.000 görüntü içerir.
  • Görüntüler renkli ve 32x32 piksel boyutundadır.
  • 10 farklı sınıf uçakları, arabaları, kuşları, kedileri, geyikleri, köpekleri, kurbağaları, atları, gemileri ve kamyonları temsil etmektedir.
  • CIFAR-10, makine öğrenimi ve bilgisayarla görme alanında eğitim ve test için yaygın olarak kullanılmaktadır.

Veri Kümesi Yapısı

CIFAR-10 veri seti iki alt kümeye ayrılmıştır:

  1. Eğitim Seti: Bu alt küme, makine öğrenimi modellerini eğitmek için kullanılan 50.000 görüntü içerir.
  2. Test Kümesi: Bu alt küme, eğitilen modelleri test etmek ve kıyaslamak için kullanılan 10.000 görüntüden oluşur.

Uygulamalar

CIFAR-10 veri kümesi, görüntü sınıflandırma görevlerinde Evrişimli Sinir Ağları (CNN'ler), Destek Vektör Makineleri (SVM'ler) ve diğer çeşitli makine öğrenimi algoritmaları gibi derin öğrenme modellerini eğitmek ve değerlendirmek için yaygın olarak kullanılmaktadır. Veri kümesinin sınıflar açısından çeşitliliği ve renkli görüntülerin varlığı, onu makine öğrenimi ve bilgisayarla görme alanında araştırma ve geliştirme için çok yönlü bir veri kümesi haline getirmektedir.

Kullanım

Bir YOLO modelini CIFAR-10 veri kümesinde 32x32 görüntü boyutunda 100 epok için eğitmek için aşağıdaki kod parçacıklarını kullanabilirsiniz. Kullanılabilir bağımsız değişkenlerin kapsamlı bir listesi için Model Eğitimi sayfasına bakın.

Tren Örneği

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n-cls.pt")  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data="cifar10", epochs=100, imgsz=32)

# Start training from a pretrained *.pt model
yolo classify train data=cifar10 model=yolo11n-cls.pt 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 sağlar. İşte veri kümesinden bazı görüntü örnekleri:

Veri kümesi örnek görüntüsü

Örnek, CIFAR-10 veri kümesindeki nesnelerin çeşitliliğini ve karmaşıklığını göstermekte ve sağlam görüntü sınıflandırma modellerini eğitmek için çeşitli bir veri kümesinin önemini vurgulamaktadır.

Atıflar ve Teşekkür

Araştırma veya geliştirme çalışmalarınızda CIFAR-10 veri setini kullanıyorsanız, lütfen aşağıdaki makaleye atıfta bulunun:

@TECHREPORT{Krizhevsky09learningmultiple,
            author={Alex Krizhevsky},
            title={Learning multiple layers of features from tiny images},
            institution={},
            year={2009}
}

Alex Krizhevsky'ye CIFAR-10 veri setini makine öğrenimi ve bilgisayarla görme araştırma topluluğu için değerli bir kaynak olarak yarattığı ve sürdürdüğü için teşekkür ederiz. CIFAR-10 veri seti ve yaratıcısı hakkında daha fazla bilgi için CIFAR-10 veri seti web sitesini ziyaret edin.

SSS

CIFAR-10 veri kümesi üzerinde bir YOLO modelini nasıl eğitebilirim?

Ultralytics kullanarak CIFAR-10 veri kümesi üzerinde bir YOLO modelini eğitmek için hem Python hem de CLI için sağlanan örnekleri takip edebilirsiniz. 32x32 piksel görüntü boyutuyla 100 epok için modelinizi eğitmek için temel bir örnek:

Örnek

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n-cls.pt")  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data="cifar10", epochs=100, imgsz=32)

# Start training from a pretrained *.pt model
yolo classify train data=cifar10 model=yolo11n-cls.pt epochs=100 imgsz=32

Daha fazla ayrıntı için model Eğitim sayfasına bakın.

CIFAR-10 veri setinin temel özellikleri nelerdir?

CIFAR-10 veri kümesi 10 sınıfa ayrılmış 60.000 renkli görüntüden oluşmaktadır. Her sınıf, eğitim için 5.000 ve test için 1.000 olmak üzere 6.000 görüntü içerir. Görüntüler 32x32 piksel boyutundadır ve aşağıdaki kategoriler arasında değişiklik gösterir:

  • Uçaklar
  • Arabalar
  • Kuşlar
  • Kediler
  • Geyik
  • Köpekler
  • Kurbağalar
  • Atlar
  • Gemiler
  • Kamyonlar

Bu çeşitli veri seti, makine öğrenimi ve bilgisayarla görme gibi alanlarda görüntü sınıflandırma modellerinin eğitimi için gereklidir. Daha fazla bilgi için veri kümesi yapısı ve uygulamalarla ilgili CIFAR-10 bölümlerini ziyaret edin.

Görüntü sınıflandırma görevleri için neden CIFAR-10 veri kümesi kullanılmalı?

CIFAR-10 veri kümesi, çeşitliliği ve yapısı nedeniyle görüntü sınıflandırması için mükemmel bir ölçüttür. Sağlam ve genelleştirilmiş modellerin eğitilmesine yardımcı olan 10 farklı kategoride 60.000 etiketli görüntünün dengeli bir karışımını içerir. Evrişimli Sinir Ağları (CNN'ler) ve diğer makine öğrenimi algoritmaları dahil olmak üzere derin öğrenme modellerini değerlendirmek için yaygın olarak kullanılmaktadır. Veri kümesi nispeten küçüktür, bu da onu hızlı deneyler ve algoritma geliştirme için uygun hale getirir. Uygulamalar bölümünde sayısız uygulamasını keşfedin.

CIFAR-10 veri seti nasıl yapılandırılmıştır?

CIFAR-10 veri kümesi iki ana alt küme halinde yapılandırılmıştır:

  1. Eğitim Seti: Makine öğrenimi modellerini eğitmek için kullanılan 50.000 görüntü içerir.
  2. Test Seti: Eğitilen modellerin test edilmesi ve kıyaslanması için 10.000 görüntüden oluşur.

Her alt küme, model eğitimi ve değerlendirmesi için hazır olan ek açıklamalarıyla birlikte 10 sınıfa ayrılmış görüntülerden oluşur. Daha ayrıntılı bilgi için veri kümesi yapısı bölümüne bakın.

Araştırmamda CIFAR-10 veri setinden nasıl alıntı yapabilirim?

Araştırma veya geliştirme projelerinizde CIFAR-10 veri setini kullanıyorsanız, aşağıdaki makaleye atıfta bulunduğunuzdan emin olun:

@TECHREPORT{Krizhevsky09learningmultiple,
            author={Alex Krizhevsky},
            title={Learning multiple layers of features from tiny images},
            institution={},
            year={2009}
}

Veri setinin yaratıcılarına teşekkür etmek, bu alanda devam eden araştırma ve geliştirmeleri desteklemeye yardımcı olur. Daha fazla ayrıntı için alıntılar ve teşekkür bölümüne bakınız.

CIFAR-10 veri setinin kullanımına ilişkin bazı pratik örnekler nelerdir?

CIFAR-10 veri seti genellikle Evrişimli Sinir Ağları (CNN'ler) ve Destek Vektör Makineleri (SVM'ler) gibi görüntü sınıflandırma modellerini eğitmek için kullanılır. Bu modeller nesne algılama, görüntü tanıma ve otomatik etiketleme gibi çeşitli bilgisayarla görme görevlerinde kullanılabilir. Bazı pratik örnekleri görmek için kullanım bölümündeki kod parçacıklarını kontrol edin.

📅 1 yıl önce oluşturuldu ✏️ 1 ay önce güncellendi
UltralitikAsistan glenn-jocher MatthewNoyce RizwanMunawar jk4e hırslı-oktopus

Yorumlar