CIFAR-100 Veri Kümesi#
CIFAR-100 (İleri Araştırmalar için Kanada Enstitüsü) veri kümesi, 20 kaba üst sınıfta gruplanmış, 100 ince ayrıntılı sınıfa eşit olarak dağılmış 60.000 adet 32x32 renkli görüntüden (sınıf başına 600 görüntü) oluşan bir görüntü sınıflandırma kıyaslama veri kümesidir. Alex Krizhevsky tarafından oluşturulan veri kümesi, önceden tanımlanmış 50.000 eğitim ve 10.000 test görüntüsü bölmesiyle sunulur; bu da onu CIFAR-10 veri kümesinin daha zor ve daha ince ayrıntılı kardeşi hâline getirir.
Örnekleri önizlemek, veri kümesi istatistiklerini incelemek ve eğitim için klonlamak üzere Ultralytics Platform'da CIFAR-100'ü keşfet.
Temel Özellikler#
- CIFAR-100, 100 sınıfa eşit olarak bölünmüş, 32x32 piksel boyutunda 60.000 renkli görüntü içerir.
- Her sınıfta tam 600 görüntü bulunur: 500 eğitim ve 100 test görüntüsü. Bu nedenle veri kümesi tamamen dengelidir.
- 100 ince ayrıntılı sınıf, üst düzey sınıflandırma için 20 kaba üst sınıfta gruplandırılmıştır.
- Veri kümesi önceden tanımlanmış bir eğitim/test bölmesiyle sunulur; bu nedenle elle veya otomatik bölme gerekmez.
- CIFAR-100, ince ayrıntılı görüntü sınıflandırma ve nesne tanıma araştırmaları için standart bir kıyaslama veri kümesidir.
Veri Kümesi Yapısı#
CIFAR-100, resmî ve önceden tanımlanmış bir bölmeyle sunulur; bu nedenle otomatik veya elle bölümleme gerekmez:
- Sınıflar: 100 ince ayrıntılı sınıf, 20 kaba üst sınıfta gruplandırılmıştır
- Toplam görüntü: 60.000 (32x32 renkli)
- Eğitim kümesi: 50.000 görüntü (sınıf başına 500)
- Test kümesi: 10.000 görüntü (sınıf başına 100)
CIFAR-100'ün ayrı bir doğrulama klasörü yoktur; bu nedenle Ultralytics, eğitim sırasında varsayılan olarak 10.000 görüntülük test kümesini doğrulama bölmesi olarak kullanır. data="cifar100" ile eğitim yapmak, 100 ince ayrıntılı sınıfın öğrenilmesini sağlar.
Uygulamalar#
CIFAR-100, klasik görüntü sınıflandırma modellerinden Evrişimsel Sinir Ağlarına (CNNs) ve Destek Vektör Makinelerine (SVMs), modern derin mimarilere kadar geniş bir yelpazedeki modelleri eğitmek ve değerlendirmek için yaygın olarak kullanılır. 100 ince ayrıntılı sınıfı ve küçük görüntü boyutu, veri kümesini makine öğrenimi araştırmaları, algoritma karşılaştırmaları ve bilgisayarlı görü deneyleri için zorlu bir kıyaslama veri kümesi hâline getirir.
Kullanım#
CIFAR-100 üzerinde bir YOLO modelini, 32 görüntü boyutunda 100 epoch boyunca eğit. Kullanılabilir bağımsız değişkenlerin tam listesi için Eğitim sayfasına ve görüntü sınıflandırma görev kılavuzuna bak.
from ultralytics import YOLO
# Bir model yükle
model = YOLO("yolo26n-cls.pt") # Önceden eğitilmiş bir model yükle (eğitim için önerilir)
# Modeli eğit
results = model.train(data="cifar100", epochs=100, imgsz=32)Örnek Görüntüler ve Ek Açıklamalar#
CIFAR-100 veri kümesinden örnek görüntüler:
Örnekler, CIFAR-100 veri kümesindeki nesnelerin çeşitliliğini göstererek sağlam görüntü sınıflandırma modellerini eğitmek için çeşitli bir veri kümesinin değerini vurguluyor.
Atıflar ve Teşekkürler#
CIFAR-100 veri kümesini araştırma veya geliştirme çalışmalarında kullanıyorsan lütfen aşağıdaki makaleye atıfta bulun:
@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 oluşturup 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.
Sık Sorulan Sorular#
CIFAR-100 veri kümesi, ince ayrıntılı görüntü sınıflandırma ve nesne tanıma modellerini eğitmek ve kıyaslamak için yaygın olarak kullanılır. Veri kümesi, 20 üst sınıfta gruplandırılmış 100 sınıfa ait 60.000 adet 32x32 renkli görüntü içerir. Bu nedenle Evrişimsel Sinir Ağları (CNNs) ve Destek Vektör Makineleri (SVMs) gibi algoritmalar için CIFAR-10'dan daha zorlu bir kıyaslama veri kümesidir; ayrıca Ultralytics YOLO ile oluşturulmuş derin öğrenme modellerini değerlendirmek için kullanılır.
CIFAR-100 üzerinde bir Ultralytics YOLO modelini eğitmek için aşağıdaki kod parçacıklarını kullan. Veri kümesi ilk kullanımda otomatik olarak indirilir. Bağımsız değişkenlerin tam listesi için modelin Eğitim sayfasına bak.
Eğitim Örneğifrom ultralytics import YOLO # Bir model yükle model = YOLO("yolo26n-cls.pt") # Önceden eğitilmiş bir model yükle (eğitim için önerilir) # Modeli eğit 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 600 görüntü vardır ve toplam görüntü sayısı 60.000'dir. Bu 100 sınıf ayrıca 20 kaba üst sınıfta gruplandırılır (örneğin, ağaçlar üst sınıfı akçaağaç, meşe, palmiye, çam ve söğüt sınıflarını kapsar).
data="cifar100"ile eğitim, 100 ince ayrıntılı sınıfı kullanır.CIFAR-100, 50.000 eğitim ve 10.000 test görüntüsünden oluşan önceden tanımlanmış bir bölünmeyle sunulur; her sınıfta tam 500 eğitim ve 100 test görüntüsü bulunur. Ultralytics'in otomatik olarak böldüğü klasör tabanlı sınıflandırma veri kümelerinden farklı olarak CIFAR-100'ün resmî bölümlendirmesi olduğu gibi kullanılır ve eğitim sırasında test kümesi varsayılan olarak doğrulama bölümü işlevi görür.
Evet. Ultralytics Platform, veri kümelerini yönetmeni, görüntü sınıflandırma modellerini eğitmeni ve kapsamlı kodlama yapmadan dağıtmanı sağlar. CIFAR-100 deneylerini bulutta çalıştırmanın kullanışlı bir yoludur; diğer seçenekleri sınıflandırma veri kümelerine genel bakışımızda inceleyebilirsin.