Link to this sectionCIFAR-100 Veri Kümesi#

CIFAR-100 (Canadian Institute For Advanced Research) veri kümesi, 20 ana üst sınıfa ayrılmış 100 ince taneli sınıf (her biri 600 görüntü) arasına eşit olarak dağıtılmış 60.000 adet 32x32 renkli görüntüden oluşan bir görüntü sınıflandırma kıyaslama testidir. Alex Krizhevsky tarafından oluşturulan bu veri kümesi, 50.000 eğitim ve 10.000 test görüntüsünden oluşan önceden tanımlanmış bir bölünme ile gelir ve bu da onu CIFAR-10 veri kümesinin daha zorlu ve daha ince taneli kardeşi yapar.

Link to this sectionTemel Özellikler#

• CIFAR-100, 100 sınıfa eşit şekilde bölünmüş 60.000 adet 32x32 piksel renkli görüntü içerir.
• Her sınıf tam olarak 600 görüntüye sahiptir — 500'ü eğitim, 100'ü test için — bu nedenle veri kümesi mükemmel bir şekilde dengelidir.
• 100 ince taneli sınıf, daha üst seviye sınıflandırma için 20 ana üst sınıfa ayrılmıştır.
• Veri kümesi önceden tanımlanmış bir eğitim/test bölünmesi ile gelir, bu nedenle manuel veya otomatik bölme gerekmez.
• CIFAR-100, ince taneli görüntü sınıflandırma ve nesne tanıma araştırmaları için standart bir kıyaslama testidir.

Link to this sectionVeri Kümesi Yapısı#

CIFAR-100 resmi ve önceden tanımlanmış bir bölünme ile gelir, bu nedenle otomatik veya manuel bir bölümleme gerekmez:

• Sınıflar: 20 ana üst sınıfa ayrılmış 100 ince taneli sınıf
• Toplam görüntü: 60.000 (32x32 renkli)
• Eğitim kümesi: 50.000 görüntü (sınıf başına 500)
• Test kümesi: 10.000 görüntü (sınıf başına 100)

Link to this sectionUygulamalar#

CIFAR-100 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 100 fine-grained classes and small image size make it a demanding benchmark for machine learning research, algorithm comparison, and computer vision experimentation.

Link to this sectionKullanım#

Bir YOLO modelini CIFAR-100 üzerinde 32 görüntü boyutunda 100 dönem boyunca eğit. Mevcut 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="cifar100", epochs=100, imgsz=32)

Link to this sectionÖrnek Görüntüler ve Ek Açıklamalar#

CIFAR-100 veri kümesinden örnek görüntüler:

Örnekler, CIFAR-100 veri kümesindeki nesnelerin çeşitliliğini göstererek, sağlam görüntü sınıflandırma modelleri eğitmek için çeşitli bir veri kümesinin değerinin altını çiziyor.

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}
}

CIFAR-100 veri kümesini makine öğrenimi ve bilgisayarlı görü araştırma topluluğu için değerli bir kaynak olarak 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 edebilirsin.

Link to this sectionSSS#

Link to this sectionCIFAR-100 veri kümesi makine öğreniminde ne için kullanılır?#

The CIFAR-100 dataset is widely used to train and benchmark fine-grained image classification and object recognition models. It contains 60,000 32x32 color images across 100 classes grouped into 20 superclasses, making it a more challenging benchmark than CIFAR-10 for algorithms such as Convolutional Neural Networks (CNNs) and Support Vector Machines (SVMs), and for evaluating deep learning models built with Ultralytics YOLO.

Link to this sectionBir Ultralytics YOLO modelini CIFAR-100 veri kümesinde nasıl eğitebilirim?#

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

Link to this sectionCIFAR-100 veri kümesinde kaç sınıf var?#

CIFAR-100'de elma, yunus, akçaağaç, motosiklet ve roket gibi tam olarak 600 görüntüsü olan ve toplamda 60.000 görüntüden oluşan 100 ince taneli sınıf vardır. Bu 100 sınıf ayrıca 20 ana üst sınıfa ayrılmıştır (örneğin, ağaçlar üst sınıfı akçaağaç, meşe, palmiye, çam ve söğüt türlerini kapsar). data="cifar100" ile eğitim, 100 ince taneli sınıfı kullanır.

Link to this sectionCIFAR-100 veri kümesi eğitim ve test kümelerine nasıl bölünür?#

CIFAR-100, sınıf başına tam olarak 500 eğitim ve 100 test görüntüsü ile 50.000 eğitim görüntüsü ve 10.000 test görüntüsünden oluşan önceden tanımlanmış bir bölünme ile gelir. Ultralytics'in otomatik olarak böldüğü klasör tabanlı sınıflandırma veri kümelerinin aksine, CIFAR-100'ün resmi bölümlemesi olduğu gibi kullanılır ve test kümesi eğitim sırasında varsayılan olarak doğrulama bölünmesi işlevi görür.

Link to this sectionCIFAR-100 veri kümesinde model eğitmek için Ultralytics Platform kullanabilir miyim?#

Evet. Ultralytics Platform veri kümelerini yönetmene, görüntü sınıflandırma modellerini eğitmene ve kapsamlı kodlama gerektirmeden bunları dağıtmana olanak tanır. Bulutta CIFAR-100 deneyleri çalıştırmanın kolay bir yoludur ve daha fazla seçeneği sınıflandırma veri kümeleri genel bakış sayfamızda keşfedebilirsin.