CIFAR-100 Veri Kümesi

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

Temel 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 düzey sınıflandırma için 20 kaba kategoriye ayrılmıştır.
• CIFAR-100, makine öğrenimi ve bilgisayarlı görü alanında eğitim ve test için yaygın olarak kullanılır.

Veri Kümesi Yapısı

CIFAR-100 veri kümesi iki alt kümeye ayrılmıştır:

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

Uygulamalar

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 modellerini eğitmek ve değerlendirmek 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.

Kullanım

CIFAR-100 veri kümesinde 32x32 görüntü boyutuyla 100 epoch boyunca bir YOLO modeli eğitmek için aşağıdaki kod parçacıklarını kullanabilirsin. Mevcut 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="cifar100", epochs=100, imgsz=32)

Örnek Görüntüler ve Ek Açıklamalar

CIFAR-100 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-100 veri kümesindeki nesnelerin çeşitliliğini ve karmaşıklığını sergileyerek, sağlam görüntü sınıflandırma modelleri eğitmek için çeşitli bir veri kümesinin önemini vurgular.

Alıntılar ve Teşekkür

CIFAR-100 veri kümesini araştırma veya geliştirme çalışmalarında kullanıyorsan lütfen şu 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.

SSS

CIFAR-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.

CIFAR-100 veri kümesi üzerinde bir YOLO modelini nasıl eğitirim?

Bir YOLO modelini CIFAR-100 veri kümesi üzerinde Python veya CLI komutlarını kullanarak 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)

Mevcut bağımsız değişkenlerin kapsamlı bir listesi için lütfen model Eğitim sayfasına başvur.

CIFAR-100 veri kümesinin temel uygulama alanları nelerdir?

CIFAR-100 veri kümesi, görüntü sınıflandırma için derin öğrenme modellerinin eğitiminde ve değerlendirilmesinde yaygın olarak kullanılır. 20 kaba kategoriye ayrılmış 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.

CIFAR-100 veri kümesi nasıl yapılandırılmıştır?

CIFAR-100 veri kümesi iki ana alt kümeye ayrılmıştır:

1. Eğitim Kümesi: 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.

CIFAR-100 veri kümesindeki örnek görüntüleri ve açıklamaları nerede bulabilirim?

CIFAR-100 veri kümesi, çeşitli nesnelerin birçok renkli görüntüsünü içerir ve görüntü sınıflandırma görevleri için yapılandırılmış bir veri kümesi sunar. Örnek görüntüleri ve açıklamaları görmek için dokümantasyon sayfasına göz atabilirsin. 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 kümeleri genel bakış sayfasına göz at.