Link to this sectionCIFAR-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 dağıtılmış 60.000 adet 32x32 boyutunda renkli görüntüden oluşan klasik bir görüntü sınıflandırma kıyaslama verisidir. 50.000 eğitim ve 10.000 test görüntüsünden (sınıf başına 6.000) oluşan önceden tanımlanmış bir bölünme ile gelir; bu da onu sınıflandırma modellerini eğitmek ve kıyaslamak için hafif ve dengeli bir başlangıç noktası yapar. Daha ayrıntılı bir zorluk için ilgili CIFAR-100 veri kümesine göz atabilirsin.

Link to this sectionTemel 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, görüntü sınıflandırma ve nesne tanıma araştırmaları için standart bir kıyaslama verisidir.

Link to this sectionVeri 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)

Link to this sectionUygulamalar#

CIFAR-10 is widely used to train and evaluate image classification models, from classic Convolutional Neural Networks (CNNs) and Support Vector Machines (SVMs) to modern deep architectures. Its small image size and balanced classes make it ideal for rapid experimentation, benchmarking new algorithms, and teaching computer vision fundamentals.

Link to this sectionKullanım#

CIFAR-10 üzerinde 32 görüntü boyutunda 100 dönem boyunca bir YOLO modeli eğit. Mevcut tüm argümanların tam listesi için Eğitim sayfasına ve görüntü sınıflandırma görev kılavuzuna 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)

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:

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

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}
}

Makine öğrenimi ve bilgisayarlı görü araştırma topluluğu için değerli bir kaynak olan CIFAR-10 veri kümesini 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 makine öğreniminde ne için kullanılır?#

CIFAR-10 veri kümesi, görüntü sınıflandırma ve nesne tanıma modellerini eğitmek ve kıyaslamak için yaygın olarak kullanılır. 10 sınıfa eşit şekilde yayılmış 60.000 adet 32x32 renkli görüntü içerir ve küçük boyutu ile dengeli sınıfları, onu Evrişimli Sinir Ağları (CNN'ler) ve Destek Vektör Makineleri (SVM'ler) gibi algoritmalar için hızlı ve güvenilir bir kıyaslama haline getirir.

Link to this sectionCIFAR-10 veri kümesi üzerinde nasıl bir Ultralytics YOLO modeli eğitebilirim?#

CIFAR-10 üzerinde bir Ultralytics YOLO modeli eğitmek için aşağıdaki kod parçacıklarını kullanabilirsin. Veri kümesi ilk kullanımda otomatik olarak indirilir. Argümanların tam listesi için model Eğitim sayfasına 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)

Link to this sectionCIFAR-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.

Link to this sectionCIFAR-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.

Link to this sectionCIFAR-10 veri kümesinde modelleri eğitmek için Ultralytics Platform'u kullanabilir miyim?#

Evet. Ultralytics Platform ile veri kümelerini yönetebilir, görüntü sınıflandırma modellerini eğitebilir ve yoğun kodlama yapmadan dağıtabilirsin. Bulutta CIFAR-10 deneyleri çalıştırmanın kullanışlı bir yoludur ve sınıflandırma veri kümelerine genel bakış kısmımızda daha fazla seçenek keşfedebilirsin.