CIFAR-10 Veri Seti
CIFAR-10 (Canadian Institute For Advanced Research) veri seti, makine öğrenimi ve bilgisayarlı görü algoritmaları için yaygın olarak kullanılan bir görüntü koleksiyonudur. CIFAR enstitüsündeki araştırmacılar tarafından geliştirilmiştir ve 10 farklı sınıfta 60.000 adet 32x32 renkli görüntüden oluşur.
İzle: Nasıl Bir Eğitim Yapılır Görüntü Sınıflandırması Ultralytics YOLO11 kullanarak CIFAR-10 Veri Kümesi ile Model
Temel Özellikler
- CIFAR-10 veri kümesi, 10 sınıfa ayrılmış 60.000 görüntüden oluşur.
- Her sınıf, 5.000'i eğitim ve 1.000'i test için olmak üzere 6.000 resim içerir.
- Görüntüler renklidir ve 32x32 piksel boyutundadır.
- 10 farklı sınıf, uçakları, arabaları, kuşları, kedileri, geyikleri, köpekleri, kurbağaları, atları, gemileri ve kamyonları temsil etmektedir.
- CIFAR-10, makine öğrenimi ve bilgisayarlı görü alanında yaygın olarak eğitim ve test amacıyla kullanılır.
Veri Seti Yapısı
CIFAR-10 veri kümesi iki alt kümeye ayrılmıştır:
- Eğitim Seti: Bu alt küme, makine öğrenimi modellerini eğitmek için kullanılan 50.000 görüntü içerir.
- Test Kümesi: Bu alt küme, eğitilmiş modelleri test etmek ve kıyaslamak için kullanılan 10.000 görüntüden oluşur.
Uygulamalar
CIFAR-10 veri seti, derin öğrenme modellerini görüntü sınıflandırma görevlerinde eğitmek ve değerlendirmek için yaygın olarak kullanılır; örneğin Evrişimsel Sinir Ağları (CNN'ler), Destek Vektör Makineleri (SVM'ler) ve diğer çeşitli makine öğrenimi algoritmaları. Veri setinin sınıflar açısından çeşitliliği ve renkli görüntülerin varlığı, onu makine öğrenimi ve bilgisayarlı görü alanındaki araştırma ve geliştirme için çok yönlü bir veri seti yapmaktadır.
Kullanım
32x32 görüntü boyutuyla CIFAR-10 veri kümesinde bir YOLO modelini 100 epoch için eğitmek için aşağıdaki kod parçacıklarını kullanabilirsiniz. Mevcut argümanların kapsamlı bir listesi için model Eğitim sayfasına bakın.
Eğitim Örneği
from ultralytics import YOLO
# Load a model
model = YOLO("yolo11n-cls.pt") # load a pretrained model (recommended for training)
# Train the model
results = model.train(data="cifar10", epochs=100, imgsz=32)
# Start training from a pretrained *.pt model
yolo classify train data=cifar10 model=yolo11n-cls.pt epochs=100 imgsz=32
Örnek Görüntüler ve Açıklamalar
CIFAR-10 veri kümesi, görüntü sınıflandırma görevleri için iyi yapılandırılmış bir veri kümesi sağlayan çeşitli nesnelerin renkli görüntülerini içerir. İşte veri kümesinden bazı görüntü örnekleri:
Bu örnek, CIFAR-10 veri kümesindeki nesnelerin çeşitliliğini ve karmaşıklığını sergileyerek, sağlam görüntü sınıflandırma modelleri eğitmek için çeşitli bir veri kümesinin önemini vurgular.
Alıntılar ve Teşekkürler
Araştırma veya geliştirme çalışmalarınızda CIFAR-10 veri kümesini kullanırsanız, lütfen aşağıdaki makaleye atıfta bulunun:
@TECHREPORT{Krizhevsky09learningmultiple,
author={Alex Krizhevsky},
title={Learning multiple layers of features from tiny images},
institution={},
year={2009}
}
Makine öğrenimi ve bilgisayarlı görü araştırma topluluğu için değerli bir kaynak olarak CIFAR-10 veri kümesini oluşturan ve sürdüren Alex Krizhevsky'ye teşekkür ederiz. CIFAR-10 veri kümesi ve yaratıcısı hakkında daha fazla bilgi için CIFAR-10 veri kümesi web sitesini ziyaret edin.
SSS
CIFAR-10 veri setinde bir YOLO modelini nasıl eğitebilirim?
Ultralytics kullanarak CIFAR-10 veri kümesinde bir YOLO modeli eğitmek için, hem python hem de CLI için sağlanan örnekleri takip edebilirsiniz. İşte modelinizi 32x32 piksel görüntü boyutuyla 100 epoch için eğitmek için temel bir örnek:
Örnek
from ultralytics import YOLO
# Load a model
model = YOLO("yolo11n-cls.pt") # load a pretrained model (recommended for training)
# Train the model
results = model.train(data="cifar10", epochs=100, imgsz=32)
# Start training from a pretrained *.pt model
yolo classify train data=cifar10 model=yolo11n-cls.pt epochs=100 imgsz=32
Daha fazla ayrıntı için model Eğitimi sayfasına bakın.
CIFAR-10 veri setinin temel özellikleri nelerdir?
CIFAR-10 veri seti, 10 sınıfa ayrılmış 60.000 renkli görüntüden oluşur. Her sınıf 6.000 görüntü içerir; 5.000'i eğitim, 1.000'i ise test içindir. Görüntüler 32x32 piksel boyutundadır ve aşağıdaki kategorilerde değişiklik gösterir:
- Uçaklar
- Arabalar
- Kuşlar
- Kediler
- Geyik
- Köpekler
- Kurbağalar
- Atlar
- Gemiler
- Kamyonlar
Bu çeşitli veri seti, makine öğrenimi ve bilgisayar görüşü gibi alanlarda görüntü sınıflandırma modellerini eğitmek için gereklidir. Daha fazla bilgi için veri seti yapısı ve uygulamalar hakkındaki CIFAR-10 bölümlerini ziyaret edin.
Görüntü sınıflandırma görevleri için neden CIFAR-10 veri seti kullanılmalı?
CIFAR-10 veri kümesi, çeşitliliği ve yapısı nedeniyle görüntü sınıflandırması için mükemmel bir ölçüttür. Sağlam ve genelleştirilmiş modellerin eğitilmesine yardımcı olan 10 farklı kategori arasında dengeli bir 60.000 etiketli görüntü karışımı içerir. Evrişimsel Sinir Ağları (CNN'ler) ve diğer makine öğrenimi algoritmaları dahil olmak üzere derin öğrenme modellerini değerlendirmek için yaygın olarak kullanılır. Veri kümesi nispeten küçüktür, bu da onu hızlı deneyler ve algoritma geliştirme için uygun hale getirir. uygulamalar bölümünde çok sayıda uygulamasını keşfedin.
CIFAR-10 veri seti nasıl yapılandırılmıştır?
CIFAR-10 veri kümesi iki ana alt küme halinde yapılandırılmıştır:
- Eğitim Kümesi: Makine öğrenimi modellerini eğitmek için kullanılan 50.000 görüntü içerir.
- Test Seti: Eğitilmiş modelleri test etmek ve kıyaslamak için 10.000 görüntüden oluşur.
Her alt küme, 10 sınıfa ayrılmış görüntüleri içerir ve açıklamaları model eğitimi ve değerlendirmesi için hazır durumdadır. Daha ayrıntılı bilgi için veri kümesi yapısı bölümüne bakın.
Araştırmamda CIFAR-10 veri setine nasıl atıfta bulunabilirim?
Araştırma veya geliştirme projelerinizde CIFAR-10 veri kümesini kullanırsanız, aşağıdaki makaleye atıfta bulunduğunuzdan emin olun:
@TECHREPORT{Krizhevsky09learningmultiple,
author={Alex Krizhevsky},
title={Learning multiple layers of features from tiny images},
institution={},
year={2009}
}
Veri kümesinin yaratıcılarını kabul etmek, alandaki sürekli araştırma ve geliştirmeyi desteklemeye yardımcı olur. Daha fazla ayrıntı için atıflar ve teşekkürler bölümüne bakın.
CIFAR-10 veri setini kullanmanın bazı pratik örnekleri nelerdir?
CIFAR-10 veri seti genellikle Evrişimsel Sinir Ağları (CNN'ler) ve Destek Vektör Makineleri (SVM'ler) gibi görüntü sınıflandırma modellerini eğitmek için kullanılır. Bu modeller, nesne tespiti, görüntü tanıma ve otomatik etiketleme dahil olmak üzere çeşitli bilgisayarlı görü görevlerinde kullanılabilir. Bazı pratik örnekler görmek için kullanım bölümündeki kod parçacıklarına göz atın.
