CIFAR-10 Veri Kümesi#
CIFAR-10 (İleri Araştırmalar için Kanada Enstitüsü) veri kümesi, 10 sınıfa eşit olarak dağıtılmış 60.000 adet 32x32 renkli görüntüden oluşan klasik bir görüntü sınıflandırma kıyaslama veri kümesidir: uçak, otomobil, kuş, kedi, geyik, köpek, kurbağa, at, gemi ve kamyon. Önceden tanımlanmış bölmesi 50.000 eğitim ve 10.000 test görüntüsü içerir (sınıf başına 6.000 görüntü); bu da onu sınıflandırma modellerini eğitmek ve kıyaslamak için hafif ve dengeli bir başlangıç noktası hâline getirir. Daha ince ayrıntılı bir zorluk için ilgili CIFAR-100 veri kümesine bak.
Örnekleri önizlemek, veri kümesi istatistiklerini incelemek ve eğitim için klonlamak üzere Ultralytics Platform'da CIFAR-10'u keşfet.
İzle: Ultralytics YOLO Kullanarak CIFAR-10 Veri Kümesiyle Görüntü Sınıflandırma Modeli Nasıl Eğitilir
Temel Özellikler#
- CIFAR-10, 10 sınıfa eşit olarak bölünmüş, 32x32 piksel boyutunda 60.000 renkli görüntü içerir.
- Her sınıfta tam 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 elle veya otomatik bölme gerekmez.
- CIFAR-10, görüntü sınıflandırma ve nesne tanıma araştırmaları için standart bir kıyaslama veri kümesidir.
Veri Kümesi Yapısı#
CIFAR-10, resmî ve önceden tanımlanmış bir bölmeyle sunulur; bu nedenle otomatik veya elle 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'un ayrı bir doğrulama klasörü yoktur; bu nedenle 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, yeni algoritmaları kıyaslama ve bilgisayarlı görü temellerini öğretme için ideal kılar.
Kullanım#
32 görüntü boyutunda, CIFAR-10 üzerinde bir YOLO modelini 100 epoch boyunca eğit. Kullanılabilir bağımsız değişkenlerin tam listesi için Eğitim sayfasına ve görüntü sınıflandırma görev kılavuzuna bak.
from ultralytics import YOLO
# Bir model yükle
model = YOLO("yolo26n-cls.pt") # Önceden eğitilmiş bir model yükle (eğitim için önerilir)
# Modeli eğit
results = model.train(data="cifar10", epochs=100, imgsz=32)Örnek Görüntüler ve Ek Açıklamalar#
CIFAR-10 veri kümesi, görüntü sınıflandırma görevleri için iyi yapılandırılmış bir veri kümesi sunan, çeşitli nesnelerin renkli görüntülerini içerir. Veri kümesindeki bazı görüntü örnekleri:
Örnekler, CIFAR-10 veri kümesindeki nesnelerin çeşitliliğini göstererek sağlam görüntü sınıflandırma modellerini eğitmek için çeşitli bir veri kümesinin değerini vurgular.
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}
}CIFAR-10 veri kümesini oluşturarak ve sürdürerek makine öğrenimi ve bilgisayarlı görü araştırma topluluğuna değerli bir kaynak sunan Alex Krizhevsky'ye teşekkür ederiz. CIFAR-10 veri kümesi ve oluşturucusu hakkında daha fazla bilgi için CIFAR-10 veri kümesi web sitesini ziyaret et.
Sık Sorulan Sorular#
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 veri kümesi hâline getirir.
CIFAR-10 üzerinde bir Ultralytics YOLO modeli 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 # Bir model yükle model = YOLO("yolo26n-cls.pt") # Önceden eğitilmiş bir model yükle (eğitim için önerilir) # Modeli eğit results = model.train(data="cifar10", epochs=100, imgsz=32)CIFAR-10'da uçak, otomobil, kuş, kedi, geyik, köpek, kurbağa, at, gemi ve kamyon olmak üzere 10 sınıf bulunur; her sınıfta tam 6.000 görüntü, toplamda ise 60.000 görüntü vardır. Sınıflar birbirini dışlar ve tamamen dengelidir; kategoriler arasında örtüşme yoktur.
CIFAR-10, 50.000 eğitim ve 10.000 test görüntüsünden oluşan önceden tanımlanmış bir bölmeyle sunulur; her sınıfta tam 5.000 eğitim ve 1.000 test görüntüsü bulunur. Ultralytics'in otomatik olarak böldüğü klasör tabanlı sınıflandırma veri kümelerinden farklı olarak CIFAR-10'un resmî bölümü olduğu gibi kullanılır ve eğitim sırasında varsayılan olarak test kümesi doğrulama bölmesi işlevi görür.
Evet. Ultralytics Platform, veri kümelerini yönetmeni, görüntü sınıflandırma modellerini eğitmeni ve kapsamlı kodlama yapmadan dağıtmanı sağlar. CIFAR-10 deneylerini bulutta yürütmenin kullanışlı bir yoludur; ayrıca sınıflandırma veri kümelerine genel bakışımızda daha fazla seçeneği keşfedebilirsin.