Link to this sectionCIFAR-10 Veri Kümesi#

CIFAR-10 (Canadian Institute For Advanced Research - 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.

Link to this sectionTemel Özellikler#

• CIFAR-10 veri kümesi, 10 sınıfa ayrılmış 60.000 görüntüden oluşur.
• Her sınıf, eğitim için 5.000 ve test için 1.000 adet olmak üzere toplam 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.

Link to this sectionVeri Kümesi Yapısı#

CIFAR-10 veri kümesi iki alt kümeye ayrılmıştır:

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

Link to this sectionUygulamalar#

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.

Link to this sectionKullanım#

CIFAR-10 veri kümesi üzerinde 32x32 görüntü boyutuyla 100 dönem (epoch) boyunca bir YOLO modeli eğitmek için aşağıdaki kod parçacıklarını kullanabilirsin. Kullanılabilir bağımsız değişkenlerin kapsamlı bir listesi için model Eğitim sayfasına başvur.

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)

Link to this sectionÖrnek 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.

Link to this sectionAlıntılar 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.

Link to this sectionSSS#

Link to this sectionCIFAR-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 verilen 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 detay için model Eğitim sayfasına başvur.

Link to this sectionCIFAR-10 veri kümesinin temel özellikleri nelerdir?#

CIFAR-10 veri kümesi, 10 sınıfa ayrılmış 60.000 renkli görüntüden oluşur. Her sınıf 5.000'i eğitim, 1.000'i test için olmak üzere 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 modelleri eğitmek için gereklidir. Daha fazla bilgi için veri kümesi yapısı ve uygulamalar bölümlerindeki CIFAR-10 kısımlarını ziyaret et.

Link to this sectionGörüntü sınıflandırma görevleri için neden CIFAR-10 veri kümesi kullanılmalı?#

CIFAR-10 veri kümesi, çeşitliliği ve yapısı nedeniyle görüntü sınıflandırma için mükemmel bir kıyaslama ölçütüdür. 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 kullanılır. Veri kümesi nispeten küçüktür, bu da onu hızlı deneme ve algoritma geliştirme için uygun hale getirir. Sayısız uygulamasını uygulamalar bölümünde keşfet.

Link to this sectionCIFAR-10 veri kümesi nasıl yapılandırılmıştır?#

CIFAR-10 veri kümesi iki ana alt kümeye göre yapılandırılmıştır:

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

Her alt küme, model eğitimi ve değerlendirmesi için açıklamaları hazır bulunan 10 sınıfa ayrılmış görüntülerden oluşur. Daha ayrıntılı bilgi için veri kümesi yapısı bölümüne başvur.

Link to this sectionAraştırmamda CIFAR-10 veri kümesine nasıl atıfta bulunabilirim?#

CIFAR-10 veri kümesini araştırma veya geliştirme projelerinde kullanırsan, 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 yaratıcılarına teşekkür etmek, alandaki sürekli araştırma ve geliştirmeyi desteklemeye yardımcı olur. Daha fazla ayrıntı için atıflar ve teşekkürler bölümüne bak.

Link to this sectionCIFAR-10 veri kümesini kullanmaya dair bazı pratik örnekler 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 tespiti, görüntü tanıma ve otomatik etiketleme dahil olmak üzere çeşitli bilgisayarlı görü görevlerinde kullanılabilir. Bazı pratik örnekleri görmek için kullanım bölümündeki kod parçacıklarına göz at.