─░├žeri─če ge├ž

ImageNette Veri K├╝mesi

ImageNette veri k├╝mesi, daha b├╝y├╝k Imagenet veri k├╝mesinin bir alt k├╝mesidir, ancak yaln─▒zca kolayca ay─▒rt edilebilen 10 s─▒n─▒f i├žerir. Yaz─▒l─▒m geli┼čtirme ve e─čitim i├žin Imagenet'in daha h─▒zl─▒, kullan─▒m─▒ daha kolay bir versiyonunu sa─člamak amac─▒yla olu┼čturulmu┼čtur.

Temel ├ľzellikler

  • ImageNette, tench, English springer, kaset ├žalar, zincir testere, kilise, Frans─▒z kornas─▒, ├ž├Âp kamyonu, gaz pompas─▒, golf topu, para┼č├╝t gibi 10 farkl─▒ s─▒n─▒ftan g├Âr├╝nt├╝ler i├žerir.
  • Veri k├╝mesi, farkl─▒ boyutlarda renkli g├Âr├╝nt├╝lerden olu┼čmaktad─▒r.
  • ImageNette, ├Âzellikle g├Âr├╝nt├╝ s─▒n─▒fland─▒rma g├Ârevleri i├žin makine ├Â─črenimi alan─▒nda e─čitim ve test i├žin yayg─▒n olarak kullan─▒lmaktad─▒r.

Veri K├╝mesi Yap─▒s─▒

ImageNette veri k├╝mesi iki alt k├╝meye ayr─▒lm─▒┼čt─▒r:

  1. E─čitim Seti: Bu alt k├╝me, makine ├Â─črenimi modellerini e─čitmek i├žin kullan─▒lan birka├ž bin g├Âr├╝nt├╝ i├žerir. Kesin say─▒ s─▒n─▒fa g├Âre de─či┼čir.
  2. Do─črulama K├╝mesi: Bu alt k├╝me, e─čitilen modelleri do─črulamak ve k─▒yaslamak i├žin kullan─▒lan birka├ž y├╝z g├Âr├╝nt├╝den olu┼čur. Yine, kesin say─▒ s─▒n─▒fa g├Âre de─či┼čir.

Uygulamalar

ImageNette veri seti, Konvol├╝syonel Sinir A─člar─▒ (CNN'ler) ve di─čer ├že┼čitli makine ├Â─črenimi algoritmalar─▒ gibi g├Âr├╝nt├╝ s─▒n─▒fland─▒rma g├Ârevlerinde derin ├Â─črenme modellerini e─čitmek ve de─čerlendirmek i├žin yayg─▒n olarak kullan─▒lmaktad─▒r. Veri setinin basit format─▒ ve iyi se├žilmi┼č s─▒n─▒flar─▒, onu makine ├Â─črenimi ve bilgisayarla g├Ârme alan─▒nda hem yeni ba┼člayanlar hem de deneyimli uygulay─▒c─▒lar i├žin kullan─▒┼čl─▒ bir kaynak haline getirmektedir.

Kullan─▒m

Bir modeli ImageNette veri k├╝mesi ├╝zerinde 224x224 standart g├Âr├╝nt├╝ boyutuyla 100 epoch i├žin e─čitmek i├žin a┼ča─č─▒daki kod par├žac─▒klar─▒n─▒ kullanabilirsiniz. Kullan─▒labilir arg├╝manlar─▒n kapsaml─▒ bir listesi i├žin Model E─čitimi sayfas─▒na bak─▒n.

Tren ├ľrne─či

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="imagenette", epochs=100, imgsz=224)
# Start training from a pretrained *.pt model
yolo detect train data=imagenette model=yolov8n-cls.pt epochs=100 imgsz=224

├ľrnek G├Âr├╝nt├╝ler ve A├ž─▒klamalar

ImageNette veri k├╝mesi, ├že┼čitli nesnelerin ve sahnelerin renkli g├Âr├╝nt├╝lerini i├žerir ve g├Âr├╝nt├╝ s─▒n─▒fland─▒rma g├Ârevleri i├žin ├že┼čitli bir veri k├╝mesi sa─člar. ─░┼čte veri k├╝mesinden baz─▒ g├Âr├╝nt├╝ ├Ârnekleri:

Veri k├╝mesi ├Ârnek g├Âr├╝nt├╝s├╝

├ľrnek, ImageNette veri k├╝mesindeki g├Âr├╝nt├╝lerin ├že┼čitlili─čini ve karma┼č─▒kl─▒─č─▒n─▒ sergileyerek, sa─člam g├Âr├╝nt├╝ s─▒n─▒fland─▒rma modellerinin e─čitimi i├žin ├že┼čitli bir veri k├╝mesinin ├Ânemini vurgulamaktad─▒r.

ImageNette160 ve ImageNette320

Daha h─▒zl─▒ prototip olu┼čturma ve e─čitim i├žin ImageNette veri k├╝mesi iki k├╝├ž├╝lt├╝lm├╝┼č boyutta da mevcuttur: ImageNette160 ve ImageNette320. Bu veri k├╝meleri tam ImageNette veri k├╝mesi ile ayn─▒ s─▒n─▒flar─▒ ve yap─▒y─▒ korur, ancak g├Âr├╝nt├╝ler daha k├╝├ž├╝k bir boyuta yeniden boyutland─▒r─▒l─▒r. Bu nedenle, veri setinin bu s├╝r├╝mleri ├Âzellikle ├Ân model testi i├žin veya hesaplama kaynaklar─▒n─▒n s─▒n─▒rl─▒ oldu─ču durumlarda kullan─▒┼čl─▒d─▒r.

Bu veri k├╝melerini kullanmak i├žin, e─čitim komutunda 'imagenette' yerine 'imagenette160' veya 'imagenette320' yazman─▒z yeterlidir. A┼ča─č─▒daki kod par├žac─▒klar─▒ bunu g├Âstermektedir:

ImageNette160 ile Tren ├ľrne─či

from ultralytics import YOLO

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

# Train the model with ImageNette160
results = model.train(data="imagenette160", epochs=100, imgsz=160)
# Start training from a pretrained *.pt model with ImageNette160
yolo detect train data=imagenette160 model=yolov8n-cls.pt epochs=100 imgsz=160

ImageNette320 ile Tren ├ľrne─či

from ultralytics import YOLO

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

# Train the model with ImageNette320
results = model.train(data="imagenette320", epochs=100, imgsz=320)
# Start training from a pretrained *.pt model with ImageNette320
yolo detect train data=imagenette320 model=yolov8n-cls.pt epochs=100 imgsz=320

Veri setinin bu k├╝├ž├╝k versiyonlar─▒, geli┼čtirme s├╝recinde h─▒zl─▒ yinelemelere olanak sa─člarken, de─čerli ve ger├žek├ži g├Âr├╝nt├╝ s─▒n─▒fland─▒rma g├Ârevleri sunmaya devam etmektedir.

At─▒flar ve Te┼čekk├╝r

Ara┼čt─▒rma veya geli┼čtirme ├žal─▒┼čmalar─▒n─▒zda ImageNette veri setini kullan─▒rsan─▒z, l├╝tfen uygun ┼čekilde te┼čekk├╝r edin. ImageNette veri seti hakk─▒nda daha fazla bilgi i├žin ImageNette veri seti GitHub sayfas─▒n─▒ ziyaret edin.



Created 2023-11-12, Updated 2024-06-02
Authors: glenn-jocher (5)

Yorumlar