CIFAR-10 Veri Kümesi#

CIFAR-10 (Canadian Institute For Advanced Research) veri kümesi, uçak, otomobil, kuş, kedi, geyik, köpek, kurbağa, at, gemi ve kamyon olmak üzere 10 sınıfa eşit şekilde bölünmüş 60.000 adet 32x32 renkli görüntüden oluşan klasik bir image classification kıyaslama (benchmark) kümesidir. 50.000 eğitim ve 10.000 test görüntüsünden (sınıf başına 6.000) oluşan önceden tanımlanmış bir bölünmeyle birlikte gelir; bu da onu sınıflandırma modellerini eğitmek ve kıyaslamak için hafif, iyi dengelenmiş bir başlangıç noktası yapar. Daha ayrıntılı bir meydan okuma için ilgili CIFAR-100 veri kümesine göz at.

Temel Özellikler#

• CIFAR-10, 10 sınıfa eşit olarak bölünmüş 60.000 adet 32x32 piksel renkli görüntü içerir.
• Her sınıf tam olarak 6.000 görüntü içerir (5.000 eğitim, 1.000 test için), bu nedenle veri kümesi mükemmel bir şekilde dengelidir.
• 10 sınıf şunlardır: uçak, otomobil, kuş, kedi, geyik, köpek, kurbağa, at, gemi ve kamyon.
• Veri kümesi önceden tanımlanmış bir eğitim/test bölünmesi ile gelir, bu nedenle manuel veya otomatik bölme gerekmez.
• CIFAR-10, image classification ve nesne tanıma araştırmaları için standart bir kıyaslama (benchmark) ölçütüdür.

Veri Kümesi Yapısı#

CIFAR-10 resmi ve önceden tanımlanmış bir bölünme ile gelir, bu nedenle otomatik veya manuel bölümlendirmeye gerek yoktur:

• 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)

Uygulamalar#

CIFAR-10, klasik Convolutional Neural Networks (CNN'ler) ve Support Vector Machines (SVM'ler) modellerinden modern derin mimarilere kadar image classification modellerini eğitmek ve değerlendirmek için yaygın olarak kullanılır. Küçük görüntü boyutu ve dengeli sınıfları; hızlı denemeler yapmak, yeni algoritmaları kıyaslamak ve computer vision temellerini öğretmek için burayı ideal kılar.

Kullanım#

32 görüntü boyutunda 100 epochs boyunca CIFAR-10 üzerinde bir YOLO modeli eğit. Kullanılabilir argümanların tam listesi için Training sayfasına ve image classification görev kılavuzuna göz at.

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 Ek Açıklamalar#

CIFAR-10 veri kümesi çeşitli nesnelere ait renkli görüntüler içerir ve image classification görevleri için iyi yapılandırılmış bir veri kümesi sağlar. İşte veri kümesinden bazı görüntü örnekleri:

Örnekler, CIFAR-10 veri kümesindeki nesnelerin çeşitliliğini göstererek, sağlam görüntü sınıflandırma modelleri eğitmek için çeşitli bir veri kümesinin değerinin altını çizmektedir.

Alıntılar ve Teşekkür#

CIFAR-10 veri kümesini araştırma veya geliştirme çalışmalarında kullanırsan, lütfen aşağıdaki makaleye atıfta bulun:

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

CIFAR-10 veri kümesini machine learning ve computer vision araştırma topluluğu için değerli bir kaynak olarak oluşturduğu ve sürdürdüğü için Alex Krizhevsky'ye teşekkür ederiz. CIFAR-10 veri kümesi ve yaratıcısı hakkında daha fazla bilgi edinmek için CIFAR-10 dataset website adresini ziyaret et.

SSS#

CIFAR-10 veri kümesi makine öğreniminde ne için kullanılır?#

CIFAR-10 veri kümesi, image classification ve nesne tanıma modellerini eğitmek ve kıyaslamak için yaygın olarak kullanılır. 10 sınıfa eşit olarak dağıtılmış 60.000 adet 32x32 renkli görüntü içerir; küçük boyutu ve dengeli sınıfları, onu Evrişimsel Neural Networks (CNN'ler) ve Destek Vektör Makineleri (SVM'ler) gibi algoritmalar için hızlı ve güvenilir bir kıyaslama aracı yapar.

CIFAR-10 veri kümesi üzerinde nasıl bir Ultralytics YOLO modeli eğitebilirim?#

CIFAR-10 üzerinde bir Ultralytics YOLO modeli eğitmek için aşağıdaki kod parçacıklarını kullan. Veri kümesi ilk kullanımda otomatik olarak indirilir. Tüm argümanların tam listesi için model Training sayfasına göz at.

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)

CIFAR-10 veri kümesi kaç sınıfa sahiptir?#

CIFAR-10, toplamda 60.000 görüntü olacak şekilde, her biri tam olarak 6.000 görüntü içeren 10 sınıfa (uçak, otomobil, kuş, kedi, geyik, köpek, kurbağa, at, gemi ve kamyon) sahiptir. Sınıflar birbirini dışlar ve mükemmel şekilde dengelidir, kategoriler arasında hiçbir çakışma yoktur.

CIFAR-10 veri kümesi eğitim ve test kümelerine nasıl bölünür?#

CIFAR-10, sınıf başına tam olarak 5.000 eğitim ve 1.000 test görüntüsü ile 50.000 eğitim ve 10.000 test görüntüsünden oluşan önceden tanımlanmış bir bölünme ile gelir. Ultralytics'in otomatik olarak böldüğü klasör tabanlı sınıflandırma veri kümelerinin aksine, CIFAR-10'un resmi bölümü olduğu gibi kullanılır ve test kümesi eğitim sırasında varsayılan olarak doğrulama bölünmesi işlevi görür.

CIFAR-10 veri kümesinde modelleri eğitmek için Ultralytics Platform'u kullanabilir miyim?#

Evet. Ultralytics Platform veri kümelerini yönetmene, image classification modellerini eğitmene ve bunları kapsamlı kodlama gerekmeden dağıtmana olanak tanır. CIFAR-10 denemelerini bulutta çalıştırmak için uygun bir yoldur ve classification datasets overview bölümümüzde daha fazla seçeneği keşfedebilirsin.