Link to this sectionCIFAR-100 Veri Kümesi#

CIFAR-100 (Kanada İleri Araştırmalar Enstitüsü) veri kümesi, 100 farklı sınıfta 60.000 adet 32x32 renkli görüntüden oluşan, CIFAR-10 veri kümesinin önemli bir uzantısıdır. CIFAR enstitüsündeki araştırmacılar tarafından geliştirilmiş olup daha karmaşık makine öğrenimi ve bilgisayarlı görü görevleri için daha zorlu bir veri kümesi sunar.

Link to this sectionTemel Özellikler#

• CIFAR-100 veri kümesi, 100 sınıfa bölünmüş 60.000 görüntüden oluşur.
• Her sınıf, 500'ü eğitim ve 100'ü test için ayrılmış 600 görüntü içerir.
• Görüntüler renklidir ve 32x32 piksel boyutundadır.
• 100 farklı sınıf, daha üst seviye sınıflandırma için 20 kaba kategoriye ayrılmıştır.
• CIFAR-100, makine öğrenimi ve bilgisayarlı görü alanında eğitim ve test için yaygın olarak kullanılır.

Link to this sectionVeri Kümesi Yapısı#

CIFAR-100 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#

CIFAR-100 veri kümesi; görüntü sınıflandırma görevlerinde Evrişimli Sinir Ağları (CNN'ler), Destek Vektör Makineleri (SVM'ler) ve diğer çeşitli makine öğrenimi algoritmaları gibi derin öğrenme modellerinin eğitilmesi ve değerlendirilmesi için kapsamlı bir şekilde kullanılır. Veri kümesinin sınıflar açısından çeşitliliği ve renkli görüntülerin varlığı, onu makine öğrenimi ve bilgisayarlı görü alanındaki araştırma ve geliştirme çalışmaları için daha zorlu ve kapsamlı bir veri kümesi haline getirir.

Link to this sectionKullanım#

Bir YOLO modelini CIFAR-100 veri kümesi üzerinde 32x32 görüntü boyutuyla 100 dönem boyunca eğitmek için aşağıdaki kod parçacıklarını kullanabilirsin. Kullanılabilir argümanların kapsamlı bir 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="cifar100", epochs=100, imgsz=32)

Link to this sectionÖrnek Görüntüler ve Ek Açıklamalar#

CIFAR-100 veri kümesi, görüntü sınıflandırma görevleri için iyi yapılandırılmış bir veri kümesi sağlayan çeşitli nesnelerin renkli görüntülerini içerir. İşte veri kümesinden bazı görüntü örnekleri:

Bu örnek, CIFAR-100 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-100 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-100 veri kümesini oluşturduğu ve sürdürdüğü için Alex Krizhevsky'ye teşekkür ederiz. CIFAR-100 veri kümesi ve yaratıcısı hakkında daha fazla bilgi için CIFAR-100 veri kümesi web sitesini ziyaret et.

Link to this sectionSSS#

Link to this sectionCIFAR-100 veri kümesi nedir ve neden önemlidir?#

The CIFAR-100 dataset is a large collection of 60,000 32x32 color images classified into 100 classes. Developed by the Canadian Institute For Advanced Research (CIFAR), it provides a challenging dataset ideal for complex machine learning and computer vision tasks. Its significance lies in the diversity of classes and the small size of the images, making it a valuable resource for training and testing deep learning models, like Convolutional Neural Networks (CNNs), using frameworks such as Ultralytics YOLO.

Link to this sectionCIFAR-100 veri kümesi üzerinde nasıl YOLO modeli eğitirim?#

Python veya CLI komutlarını kullanarak CIFAR-100 veri kümesi üzerinde bir YOLO modeli eğitebilirsin. İşte nasıl yapacağın:

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="cifar100", epochs=100, imgsz=32)

Kullanılabilir argümanların kapsamlı bir listesi için lütfen model Eğitim sayfasına başvur.

Link to this sectionCIFAR-100 veri kümesinin temel uygulamaları nelerdir?#

CIFAR-100 veri kümesi, görüntü sınıflandırmaya yönelik derin öğrenme modellerinin eğitilmesinde ve değerlendirilmesinde yaygın olarak kullanılır. 20 kaba kategori altında gruplandırılmış 100 sınıflık çeşitli seti, Evrişimli Sinir Ağları (CNN'ler), Destek Vektör Makineleri (SVM'ler) ve diğer çeşitli makine öğrenimi yaklaşımları gibi algoritmaları test etmek için zorlu bir ortam sağlar. Bu veri kümesi, özellikle nesne tanıma ve sınıflandırma görevleri için makine öğrenimi ve bilgisayarlı görü alanlarındaki araştırma ve geliştirmelerde kilit bir kaynaktır.

Link to this sectionCIFAR-100 veri kümesi nasıl yapılandırılmıştır?#

CIFAR-100 veri kümesi iki ana alt kümeye ayrılmıştır:

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

100 sınıfın her biri, 500'ü eğitim ve 100'ü test için ayrılmış 600 görüntü içerir; bu da onu akademik ve endüstriyel araştırmalar için benzersiz bir şekilde uygun kılar.

Link to this sectionCIFAR-100 veri kümesinden örnek görüntülere ve açıklamalara nereden ulaşabilirim?#

CIFAR-100 veri kümesi, görüntü sınıflandırma görevleri için yapılandırılmış bir veri kümesi haline getiren çeşitli nesnelerin renkli görüntülerini içerir. Örnek görüntülere ve açıklamalara göz atmak için dokümantasyon sayfasına başvurabilirsin. Bu örnekler, sağlam görüntü sınıflandırma modelleri eğitmek için önemli olan veri kümesinin çeşitliliğini ve karmaşıklığını vurgular. Sınıflandırma görevlerine uygun daha fazla veri kümesi için Ultralytics sınıflandırma veri kümelerine genel bakış bölümüne göz at.