Ultralytics YOLO27:
No license

CIFAR-100 Veri Kümesi#

CIFAR-100 (Kanada İleri Araştırmalar Enstitüsü) veri kümesi, 100 ince ayrıntılı sınıfa (her biri 600 görüntü) eşit olarak dağıtılmış 60.000 adet 32x32 renkli görüntüden oluşan ve bu sınıfların da 20 üst düzey sınıfta gruplandırıldığı bir görüntü sınıflandırma karşılaştırma kümesidir. Alex Krizhevsky tarafından oluşturulan veri kümesi, önceden tanımlanmış 50.000 eğitim ve 10.000 test görüntüsünden oluşan bir bölümlendirmeyle gelir ve bu da onu CIFAR-10 veri kümesinin daha zor ve daha ince ayrıntılı kardeşi yapar.

Örnekleri önizlemek, veri kümesi istatistiklerini incelemek ve eğitim için klonlamak üzere Ultralytics Platform'da CIFAR-100'ü keşfet.



Watch: How to Train an Image Classification Model on CIFAR-100 using Ultralytics YOLO

Temel Özellikler#

  • CIFAR-100, 100 sınıfa eşit olarak bölünmüş 60.000 adet 32x32 piksel renkli görüntü içerir.
  • Her sınıfta tam olarak 600 görüntü bulunur — 500'ü eğitim, 100'ü test için — bu nedenle veri kümesi tamamen dengelidir.
  • 100 ince ayrıntılı sınıf, daha üst düzey sınıflandırma için 20 üst düzey sınıfta gruplandırılmıştır.
  • Veri kümesi, önceden tanımlanmış bir eğitim/test bölmesiyle sunulur; bu nedenle manuel veya otomatik bölme yapılması gerekmez.
  • CIFAR-100, ince ayrıntılı görüntü sınıflandırma ve nesne tanıma araştırmaları için standart bir karşılaştırma kümesidir.

Veri Kümesi Yapısı#

CIFAR-100, resmi ve önceden tanımlanmış bir bölümlendirmeyle gelir; bu nedenle otomatik veya manuel bölme gerekmez:

  • Sınıflar: 20 üst düzey sınıfta gruplandırılmış 100 ince ayrıntılı sınıf
  • Toplam görüntü: 60.000 (32x32 renkli)
  • Eğitim kümesi: 50.000 görüntü (sınıf başına 500)
  • Test kümesi: 10.000 görüntü (sınıf başına 100)
Doğrulama bölümü

CIFAR-100'ün ayrı bir doğrulama klasörü yoktur; bu nedenle Ultralytics, eğitim sırasında varsayılan olarak 10.000 görüntülük test kümesini doğrulama bölümü olarak kullanır. data="cifar100" ile eğitim, 100 ince ayrıntılı sınıfı öğrenir.

Uygulamalar#

CIFAR-100, klasik Evrişimli Sinir Ağları (CNNs) ve Destek Vektör Makineleri (SVMs) modellerinden modern derin mimarilere kadar görüntü sınıflandırma modellerini eğitmek ve değerlendirmek için yaygın olarak kullanılır. 100 ince ayrıntılı sınıfı ve küçük görüntü boyutu, onu makine öğrenimi araştırmaları, algoritma karşılaştırmaları ve bilgisayarlı görü deneyleri için zorlu bir karşılaştırma kümesi hâline getirir.

Kullanım#

32 görüntü boyutunda, CIFAR-100 üzerinde 100 epoch boyunca bir YOLO modeli eğit. Kullanılabilir tüm bağımsız değişkenlerin listesi için Eğitim sayfasına ve görüntü sınıflandırma görev kılavuzuna bak.

Eğitim Örneği
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 Açıklamalar#

CIFAR-100 veri kümesinden örnek görüntüler:

CIFAR-100 görüntü sınıflandırma veri kümesi örnekleri

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

Atıflar ve Teşekkürler#

CIFAR-100 veri kümesini araştırma veya geliştirme çalışmalarında kullanıyorsan lütfen aşağıdaki makaleye atıfta bulun:

Alıntı
@TECHREPORT{Krizhevsky09learningmultiple,
            author={Alex Krizhevsky},
            title={Learning multiple layers of features from tiny images},
            institution={},
            year={2009}
}

Değerli bir kaynak olarak CIFAR-100 veri kümesini oluşturduğu ve sürdürdüğü için Alex Krizhevsky'ye makine öğrenimi ve bilgisayarlı görü araştırma topluluğu adına teşekkür ederiz. CIFAR-100 veri kümesi ve oluşturucusu hakkında daha fazla bilgi için CIFAR-100 veri kümesi web sitesini ziyaret et.

SSS#

  • CIFAR-100 veri kümesi, ince ayrıntılı görüntü sınıflandırma ve nesne tanıma modellerini eğitmek ve karşılaştırmak için yaygın olarak kullanılır. Veri kümesi, 20 üst düzey sınıfta gruplandırılmış 100 sınıfa ait 60.000 adet 32x32 renkli görüntü içerir; bu da onu Evrişimli Sinir Ağları (CNNs) ve Destek Vektör Makineleri (SVMs) gibi algoritmalar için CIFAR-10'dan daha zorlu bir karşılaştırma kümesi ve Ultralytics YOLO ile oluşturulan derin öğrenme modellerini değerlendirmek için uygun bir veri kümesi hâline getirir.

  • CIFAR-100 üzerinde bir Ultralytics YOLO modelini eğitmek için aşağıdaki kod parçacıklarını kullan. Veri kümesi ilk kullanımda otomatik olarak indirilir. Tüm bağımsız değişkenlerin listesi için modelin Eğitim sayfasına bak.

    Eğitim Örneği
    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)

  • CIFAR-100'de elma, yunus, akçaağaç, motosiklet ve roket gibi 100 ince ayrıntılı sınıf bulunur; her sınıfta tam olarak 600 görüntü vardır ve toplam görüntü sayısı 60.000'dir. Bu 100 sınıf ayrıca 20 üst düzey sınıfta gruplandırılmıştır (örneğin ağaçlar üst düzey sınıfı akçaağaç, meşe, palmiye, çam ve söğüt sınıflarını kapsar). data="cifar100" ile yapılan eğitimde 100 ince ayrıntılı sınıf kullanılır.

  • CIFAR-100, 50.000 eğitim görüntüsü ve 10.000 test görüntüsünden oluşan, sınıf başına tam olarak 500 eğitim ve 100 test görüntüsü içeren önceden tanımlanmış bir bölümlendirmeyle gelir. Ultralytics'in otomatik olarak böldüğü klasör tabanlı sınıflandırma veri kümelerinden farklı olarak CIFAR-100'ün resmi bölümlendirmesi olduğu gibi kullanılır ve test kümesi, eğitim sırasında varsayılan olarak doğrulama bölümü olarak görev yapar.

  • Evet. Ultralytics Platform, veri kümelerini yönetmene, görüntü sınıflandırma modellerini eğitmene ve kapsamlı kodlama gerektirmeden dağıtmana olanak tanır. CIFAR-100 deneylerini bulutta çalıştırmanın kullanışlı bir yoludur; ayrıca sınıflandırma veri kümelerine genel bakışımızda daha fazla seçeneği keşfedebilirsin.

Katkıda Bulunanlar
GLglenn-jocher16RAraimbekovm3RIRizwanMunawar2MAMatthewNoyce1JKjk4e1

Yorumlar