CIFAR-10 Veri Kümesi

CIFAR-10 (Kanada İleri Araştırmalar Enstitüsü) veri kümesi, makine öğrenimi ve bilgisayarlı görü algoritmaları için yaygın olarak kullanılan bir görüntü koleksiyonudur. CIFAR enstitüsündeki araştırmacılar tarafından geliştirilmiştir ve 10 farklı sınıfta 60.000 adet 32x32 renkli görüntüden oluşur.

Temel Özellikler

• CIFAR-10 veri kümesi, 10 sınıfa ayrılmış 60.000 görüntüden oluşur.
• Her sınıf, 5.000'i eğitim ve 1.000'i test için ayrılmış 6.000 görüntü içerir.
• Görüntüler renklidir ve 32x32 piksel boyutundadır.
• 10 farklı sınıf; uçaklar, arabalar, kuşlar, kediler, geyikler, köpekler, kurbağalar, atlar, gemiler ve kamyonları temsil eder.
• CIFAR-10, makine öğrenimi ve bilgisayarlı görü alanında eğitim ve test için yaygın olarak kullanılır.

Veri Kümesi Yapısı

CIFAR-10 veri kümesi iki alt kümeye ayrılmıştır:

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

Uygulamalar

The CIFAR-10 dataset is widely used for training and evaluating deep learning models in image classification tasks, such as Convolutional Neural Networks (CNNs), Support Vector Machines (SVMs), and various other machine learning algorithms. The diversity of the dataset in terms of classes and the presence of color images make it a well-rounded dataset for research and development in the field of machine learning and computer vision.

Kullanım

Bir YOLO modelini CIFAR-10 veri kümesi üzerinde 32x32 görüntü boyutuyla 100 dönem boyunca eğitmek için aşağıdaki kod parçacıklarını kullanabilirsin. Kullanılabilir argümanların kapsamlı bir listesi için Eğitim sayfası modeline bakabilirsin.

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 nesnelerin renkli görüntülerini içerir ve görüntü sınıflandırma görevleri için iyi yapılandırılmış bir veri kümesi sağlar. İşte veri kümesinden bazı görüntü örnekleri:

Bu örnek, CIFAR-10 veri kümesindeki nesnelerin çeşitliliğini ve karmaşıklığını sergileyerek, sağlam görüntü sınıflandırma modelleri eğitmek için çeşitli bir veri kümesinin önemini vurgular.

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 makine öğrenimi ve bilgisayarlı görü 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 için CIFAR-10 veri kümesi web sitesini ziyaret et.

SSS

CIFAR-10 veri kümesi üzerinde nasıl YOLO modeli eğitebilirim?

Ultralytics kullanarak CIFAR-10 veri kümesi üzerinde bir YOLO modeli eğitmek için hem Python hem de CLI için sağlanan örnekleri takip edebilirsin. İşte modelini 32x32 piksel görüntü boyutuyla 100 dönem boyunca eğitmek için temel bir örnek:

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)

Daha fazla ayrıntı için model Eğitim sayfasına bakabilirsin.

CIFAR-10 veri kümesinin temel özellikleri nelerdir?

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

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

Bu çeşitli veri kümesi, makine öğrenimi ve bilgisayarlı görü gibi alanlarda görüntü sınıflandırma modellerini eğitmek için gereklidir. Daha fazla bilgi için veri kümesi yapısı ve uygulamalar bölümlerindeki CIFAR-10 kısımlarını ziyaret et.

Neden görüntü sınıflandırma görevleri için CIFAR-10 veri kümesini kullanmalısın?

CIFAR-10 veri kümesi, çeşitliliği ve yapısı nedeniyle görüntü sınıflandırma için mükemmel bir kıyaslama aracıdır. 10 farklı kategori genelinde 60.000 etiketli görüntüden oluşan dengeli bir karışıma sahiptir, bu da sağlam ve genelleştirilmiş modellerin eğitilmesine yardımcı olur. Evrişimli Sinir Ağları (CNN'ler) ve diğer makine öğrenimi algoritmaları dahil olmak üzere derin öğrenme modellerini değerlendirmek için yaygın olarak kullanılır. Veri kümesi nispeten küçüktür, bu da onu hızlı denemeler ve algoritma geliştirme için uygun hale getirir. Uygulamalar bölümündeki sayısız kullanım alanını keşfet.

CIFAR-10 veri kümesi nasıl yapılandırılmıştır?

CIFAR-10 veri kümesi iki ana alt kümeye ayrılmıştır:

1. Eğitim Kümesi: Makine öğrenimi modellerini eğitmek için kullanılan 50.000 görüntü içerir.
2. Test Kümesi: Eğitilmiş modelleri test etmek ve kıyaslamak için 10.000 görüntüden oluşur.

Her alt küme, 10 sınıfa ayrılmış görüntülerden oluşur ve ek açıklamaları model eğitimi ve değerlendirmesi için kolayca erişilebilir durumdadır. Daha ayrıntılı bilgi için veri kümesi yapısı bölümüne bakabilirsin.

CIFAR-10 veri kümesine araştırmamda nasıl atıfta bulunabilirim?

CIFAR-10 veri kümesini araştırma veya geliştirme projelerinde kullanıyorsan, aşağıdaki makaleye atıfta bulunduğundan emin ol:

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

Veri kümesinin yaratıcılarını kabul etmek, alandaki sürekli araştırma ve geliştirmeyi desteklemeye yardımcı olur. Daha fazla ayrıntı için alıntılar ve teşekkürler bölümüne bakabilirsin.

CIFAR-10 veri kümesini kullanmanın bazı pratik örnekleri nelerdir?

CIFAR-10 veri kümesi 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 dahil olmak üzere çeşitli bilgisayarlı görü görevlerinde kullanılabilir. Bazı pratik örnekleri görmek için kullanım bölümündeki kod parçacıklarına göz at.