CIFAR-100 Veri Kümesi#

CIFAR-100 (Canadian Institute For Advanced Research) veri seti, 100 ince taneli sınıfa (her biri 600 görsel) eşit olarak dağıtılmış ve bunlar da sırasıyla 20 kaba üst sınıfa gruplandırılmış 60.000 adet 32x32 renkli görselden oluşan bir image classification kıyaslama testidir. Alex Krizhevsky tarafından oluşturulan veri seti, 50.000 eğitim ve 10.000 test görselinden oluşan önceden tanımlanmış bir bölünmeyle gelir; bu da onu CIFAR-10 veri setinin daha zor ve daha ince taneli bir kardeşi yapar.

Temel 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 image classification ve nesne tanıma araştırmaları için standart bir kıyaslama testidir.

Veri 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)

Uygulamalar#

CIFAR-100, klasik Convolutional Neural Networks (CNN'ler) ve Support Vector Machines (SVM'ler) ile modern derin mimarilere kadar image classification modellerini eğitmek ve değerlendirmek için yaygın olarak kullanılır. 100 ince taneli sınıfı ve küçük görsel boyutu, onu machine learning araştırmaları, algoritma karşılaştırması ve computer vision denemeleri için zorlu bir kıyaslama ölçütü haline getirir.

Kullanım#

CIFAR-100 üzerinde 32 görsel boyutunda 100 epochs boyunca bir YOLO modeli eğit. Mevcut argümanların tam listesi için Training sayfasına ve image classification görev kılavuzuna göz at.

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 kümesinden örnek görüntüler:

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

Alıntılar 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}
}

machine learning ve computer vision araştırma topluluğu için değerli bir kaynak olarak CIFAR-100 veri setini oluşturduğu ve bakımını yaptığı için Alex Krizhevsky'ye teşekkür ederiz. CIFAR-100 veri seti ve oluşturucusu hakkında daha fazla bilgi için CIFAR-100 dataset website adresini ziyaret et.

SSS#

CIFAR-100 veri kümesi makine öğreniminde ne için kullanılır?#

CIFAR-100 veri kümesi, ince taneli image classification ve nesne tanıma modellerini eğitmek ve kıyaslamak için yaygın olarak kullanılır. 20 üst sınıfta gruplandırılmış 100 sınıf genelinde 60.000 adet 32x32 renkli görsel içerir; bu da onu Convolutional Neural Networks (CNN'ler) ve Destek Vektör Makineleri (SVM'ler) gibi algoritmalar ve Ultralytics YOLO ile oluşturulan deep learning modellerini değerlendirmek için CIFAR-10'dan daha zorlu bir kıyaslama ölçütü yapar.

Bir Ultralytics YOLO modelini CIFAR-100 veri kümesinde nasıl eğitebilirim?#

CIFAR-100 üzerinde bir Ultralytics YOLO modeli eğitmek için aşağıdaki kod parçacıklarını kullan. Veri seti ilk kullanımda otomatik olarak indirilir. Argümanların tam listesi için model Training sayfasına bak.

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 veri kümesinde kaç sınıf var?#

CIFAR-100; elma, yunus, akçaağaç, motosiklet ve roket gibi — her biri tam olarak 600 görsele sahip ve toplamda 60.000 görsel içeren — 100 ince taneli sınıfa sahiptir. Bu 100 sınıf ayrıca 20 kaba üst sınıfa gruplandırılmıştır (örneğin, ağaçlar üst sınıfı akçaağaç, meşe, palmiye, çam ve söğütü kapsar). data="cifar100" ile eğitim, 100 ince taneli sınıfı kullanır.

CIFAR-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.

CIFAR-100 veri kümesinde model eğitmek için Ultralytics Platform kullanabilir miyim?#

Evet. Ultralytics Platform, kapsamlı kodlama gerekmeden veri setlerini yönetmene, image classification modelleri eğitmene ve bunları dağıtmana olanak tanır. Bulutta CIFAR-100 denemeleri çalıştırmak için uygun bir yoldur ve classification datasets overview sayfamızda daha fazla seçenek keşfedebilirsin.