CIFAR-10 Veri Seti
CIFAR-10 (Canadian Institute For Advanced Research) veri seti, makine öğrenimi ve bilgisayarla görme algoritmaları için yaygın olarak kullanılan bir görüntü koleksiyonudur. CIFAR enstitüsündeki araştırmacılar tarafından geliştirilmiştir ve 10 farklı sınıfta 60.000 32x32 renkli görüntüden oluşmaktadır.
Temel Özellikler
- CIFAR-10 veri kümesi, 10 sınıfa ayrılmış 60.000 görüntüden oluşmaktadır.
- Her sınıf, eğitim için 5.000 ve test için 1.000 olmak üzere 6.000 görüntü içerir.
- Görüntüler renkli ve 32x32 piksel boyutundadır.
- 10 farklı sınıf uçakları, arabaları, kuşları, kedileri, geyikleri, köpekleri, kurbağaları, atları, gemileri ve kamyonları temsil etmektedir.
- CIFAR-10, makine öğrenimi ve bilgisayarla görme alanında eğitim ve test için yaygın olarak kullanılmaktadır.
Veri Kümesi Yapısı
CIFAR-10 veri seti iki alt kümeye ayrılmıştır:
- Eğitim Seti: Bu alt küme, makine öğrenimi modellerini eğitmek için kullanılan 50.000 görüntü içerir.
- Test Kümesi: Bu alt küme, eğitilen modelleri test etmek ve kıyaslamak için kullanılan 10.000 görüntüden oluşur.
Uygulamalar
CIFAR-10 veri kümesi, görüntü sınıflandırma görevlerinde Evrişimli Sinir Ağları (CNN'ler), Destek Vektör Makineleri (SVM'ler) ve diğer çeşitli makine öğrenimi algoritmaları gibi derin öğrenme modellerini eğitmek ve değerlendirmek için yaygın olarak kullanılmaktadır. Veri kümesinin sınıflar açısından çeşitliliği ve renkli görüntülerin varlığı, onu makine öğrenimi ve bilgisayarla görme alanında araştırma ve geliştirme için çok yönlü bir veri kümesi haline getirmektedir.
Kullanım
Bir YOLO modelini CIFAR-10 veri kümesinde 32x32 görüntü boyutunda 100 epok için eğitmek için aşağıdaki kod parçacıklarını kullanabilirsiniz. Kullanılabilir bağımsız değişkenlerin kapsamlı bir listesi için Model Eğitimi sayfasına bakın.
Tren Örneği
Örnek Görüntüler ve 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:
Örnek, CIFAR-10 veri kümesindeki nesnelerin çeşitliliğini ve karmaşıklığını göstermekte ve sağlam görüntü sınıflandırma modellerini eğitmek için çeşitli bir veri kümesinin önemini vurgulamaktadır.
Atıflar ve Teşekkür
Araştırma veya geliştirme çalışmalarınızda CIFAR-10 veri setini kullanıyorsanız, lütfen aşağıdaki makaleye atıfta bulunun:
Alex Krizhevsky'ye CIFAR-10 veri setini makine öğrenimi ve bilgisayarla görme araştırma topluluğu için değerli bir kaynak olarak yarattığı ve sürdürdüğü için teşekkür ederiz. CIFAR-10 veri seti ve yaratıcısı hakkında daha fazla bilgi için CIFAR-10 veri seti web sitesini ziyaret edin.