CIFAR-100 Veri Seti

CIFAR-100 (Canadian Institute For Advanced Research) veri seti, 100 farklı sınıfta 60.000 32x32 renkli görüntüden oluşan CIFAR-10 veri setinin önemli bir uzantısıdır. CIFAR enstitüsündeki araştırmacılar tarafından geliştirilmiştir ve daha karmaşık makine öğrenimi ve bilgisayarla görme görevleri için daha zorlu bir veri kümesi sunar.

Temel Özellikler

• CIFAR-100 veri kümesi, 100 sınıfa ayrılmış 60.000 görüntüden oluşmaktadır.
• Her sınıf, eğitim için 500 ve test için 100 olmak üzere 600 görüntü içerir.
• Görüntüler renkli ve 32x32 piksel boyutundadır.
• 100 farklı sınıf, daha üst düzey sınıflandırma için 20 kaba kategoride gruplandırılmıştır.
• CIFAR-100, makine öğrenimi ve bilgisayarla görme alanında eğitim ve test için yaygın olarak kullanılmaktadır.

Veri Kümesi Yapısı

CIFAR-100 veri kümesi iki alt kümeye ayrılmıştır:

1. Eğitim Seti: Bu alt küme, makine öğrenimi modellerini eğitmek için kullanılan 50.000 görüntü içerir.
2. Test Kümesi: Bu alt küme, eğitilen 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 yaygın olarak kullanılmaktadır. Veri setinin sınıflar açısından çeşitliliği ve renkli görüntülerin varlığı, onu makine öğrenimi ve bilgisayarla görme alanında araştırma ve geliştirme için daha zorlu ve kapsamlı bir veri seti haline getirmektedir.

Kullanım

Bir YOLO modelini 32x32 görüntü boyutunda 100 epok için CIFAR-100 veri kümesi üzerinde eğitmek için aşağıdaki kod parçacıklarını kullanabilirsiniz. Kullanılabilir bağımsız değişkenlerin kapsamlı bir listesi için Model Eğitimi sayfasına bakın.

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n-cls.pt")  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data="cifar100", epochs=100, imgsz=32)

# Start training from a pretrained *.pt model
yolo detect train data=cifar100 model=yolov8n-cls.pt epochs=100 imgsz=32

Örnek Görüntüler ve 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:

Örnek, CIFAR-100 veri kümesindeki nesnelerin çeşitliliğini ve karmaşıklığını göstermekte ve sağlam görüntü sınıflandırma modellerini eğitmek için çeşitli bir veri kümesinin önemini vurgulamaktadır.

Atıflar ve Teşekkür

Araştırma veya geliştirme çalışmalarınızda CIFAR-100 veri setini kullanıyorsanız, lütfen aşağıdaki makaleye atıfta bulunun:

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

Alex Krizhevsky'ye CIFAR-100 veri setini makine öğrenimi ve bilgisayarla görme araştırma topluluğu için değerli bir kaynak olarak yarattığı ve sürdürdüğü için teşekkür ederiz. CIFAR-100 veri seti ve yaratıcısı hakkında daha fazla bilgi için CIFAR-100 veri seti web sitesini ziyaret edin.

SSS

CIFAR-100 veri seti nedir ve neden önemlidir?

CIFAR-100 veri kümesi, 100 sınıfa ayrılmış 60.000 32x32 renkli görüntüden oluşan geniş bir koleksiyondur. Kanada İleri Araştırmalar Enstitüsü (CIFAR) tarafından geliştirilen bu veri seti, karmaşık makine öğrenimi ve bilgisayarla görme görevleri için ideal olan zorlu bir veri seti sunmaktadır. Önemi, sınıfların çeşitliliğinde ve görüntülerin küçük boyutunda yatmaktadır, bu da onu Ultralytics YOLO gibi çerçeveler kullanarak Evrişimli Sinir Ağları (CNN'ler) gibi derin öğrenme modellerini eğitmek ve test etmek için değerli bir kaynak haline getirmektedir.

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

Python veya CLI komutlarını kullanarak CIFAR-100 veri kümesi üzerinde bir YOLO modelini eğitebilirsiniz. İşte nasıl yapılacağı:

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n-cls.pt")  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data="cifar100", epochs=100, imgsz=32)

# Start training from a pretrained *.pt model
yolo detect train data=cifar100 model=yolov8n-cls.pt epochs=100 imgsz=32

Mevcut argümanların kapsamlı bir listesi için lütfen Model Eğitimi sayfasına bakın.

CIFAR-100 veri setinin başlıca uygulamaları nelerdir?

CIFAR-100 veri kümesi, görüntü sınıflandırması için derin öğrenme modellerinin eğitilmesi ve değerlendirilmesinde yaygın olarak kullanılmaktadır. Bu veri seti, 20 kaba kategoriye ayrılmış 100 sınıftan oluşmakta ve Evrişimli Sinir Ağları (CNN'ler), Destek Vektör Makineleri (SVM'ler) ve diğer çeşitli makine öğrenimi yaklaşımları gibi algoritmaların test edilmesi için zorlu bir ortam sağlamaktadır. Bu veri seti, makine öğrenimi ve bilgisayarla görme alanlarında araştırma ve geliştirme için önemli bir kaynaktır.

CIFAR-100 veri seti nasıl yapılandırılmıştır?

CIFAR-100 veri kümesi iki ana alt kümeye ayrılmıştır:

1. Eğitim Seti: Makine öğrenimi modellerini eğitmek için kullanılan 50.000 görüntü içerir.
2. Test Kümesi: Eğitilen modelleri test etmek ve kıyaslamak için kullanılan 10.000 görüntüden oluşur.

100 sınıfın her biri, 500'ü eğitim ve 100'ü test için olmak üzere 600 görüntü içerir ve bu da onu titiz akademik ve endüstriyel araştırmalar için benzersiz bir şekilde uygun hale getirir.

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

CIFAR-100 veri kümesi, çeşitli nesnelerin çeşitli renkli görüntülerini içerir ve bu da onu görüntü sınıflandırma görevleri için yapılandırılmış bir veri kümesi haline getirir. Örnek görüntüleri ve açıklamaları görmek için dokümantasyon sayfasına başvurabilirsiniz. Bu örnekler, sağlam görüntü sınıflandırma modellerinin eğitimi için önemli olan veri kümesinin çeşitliliğini ve karmaşıklığını vurgulamaktadır.

Yorumlar