CIFAR-100 Veri Kümesi
CIFAR-100 (Canadian Institute For Advanced Research) veri seti, 100 farklı sınıfta 60.000 adet 32x32 renkli görüntüden oluşan CIFAR-10 veri setinin önemli bir uzantısıdır. CIFAR enstitüsündeki araştırmacılar tarafından geliştirilmiş olup, daha karmaşık makine öğrenimi ve bilgisayarlı görü görevleri için daha zorlu bir veri seti sunmaktadır.
İzle: CIFAR-100 Üzerinde Ultralytics YOLO11 Nasıl Eğitilir | Adım Adım Görüntü Sınıflandırma Eğitimi 🚀
Temel Özellikler
- CIFAR-100 veri seti, 100 sınıfa ayrılmış 60.000 görüntüden oluşur.
- Her sınıf, 500'ü eğitim ve 100'ü test için olmak üzere 600 resim içerir.
- Görüntüler renklidir ve 32x32 piksel boyutundadır.
- 100 farklı sınıf, daha yüksek düzeyde sınıflandırma için 20 kaba kategoride gruplandırılmıştır.
- CIFAR-100, makine öğrenimi ve bilgisayar görüşü alanında eğitim ve test için yaygın olarak kullanılır.
Veri Seti Yapısı
CIFAR-100 veri seti 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-100 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 daha zorlu ve kapsamlı bir veri seti yapmaktadır.
Kullanım
CIFAR-100 veri kümesi üzerinde 32x32 görüntü boyutuyla 100 epok için bir YOLO modeli 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="cifar100", epochs=100, imgsz=32)
# Start training from a pretrained *.pt model
yolo classify train data=cifar100 model=yolo11n-cls.pt epochs=100 imgsz=32
Örnek Görüntüler ve Açıklamalar
CIFAR-100 veri seti, çeşitli nesnelerin renkli görüntülerini içerir ve görüntü sınıflandırma görevleri için iyi yapılandırılmış bir veri seti sağlar. İşte veri setinden bazı görüntü örnekleri:
Bu örnek, CIFAR-100 veri kümesindeki nesnelerin çeşitliliğini ve karmaşıklığını sergileyerek, güçlü görüntü sınıflandırma modelleri eğitmek için çeşitli bir veri kümesinin önemini vurgulamaktadır.
Alıntılar ve Teşekkürler
Araştırma veya geliştirme çalışmalarınızda CIFAR-100 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 bilgisayar görüşü araştırma topluluğu için değerli bir kaynak olarak CIFAR-100 veri kümesini oluşturan ve sürdüren Alex Krizhevsky'ye teşekkür etmek istiyoruz. CIFAR-100 veri kümesi ve yaratıcısı hakkında daha fazla bilgi için CIFAR-100 veri kümesi web sitesini ziyaret edin.
SSS
CIFAR-100 veri kümesi nedir ve neden önemlidir?
CIFAR-100 veri seti, 100 sınıfa ayrılmış 60.000 adet 32x32 renkli görüntüden oluşan geniş bir koleksiyondur. Canadian Institute For Advanced Research (CIFAR) tarafından geliştirilen bu veri seti, karmaşık makine öğrenimi ve bilgisayar görüşü görevleri için ideal, zorlu bir veri seti sunar. Önemi, sınıf çeşitliliğinde ve görüntülerin küçük boyutunda yatmaktadır ve bu da onu Ultralytics YOLO gibi çerçeveleri kullanarak Evrişimsel 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 eğitirim?
Python veya CLI komutlarını kullanarak CIFAR-100 veri kümesinde bir YOLO modeli eğitebilirsiniz. İşte nasıl yapılacağı:
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="cifar100", epochs=100, imgsz=32)
# Start training from a pretrained *.pt model
yolo classify train data=cifar100 model=yolo11n-cls.pt epochs=100 imgsz=32
Mevcut argümanların kapsamlı bir listesi için lütfen model Eğitim sayfasına bakın.
CIFAR-100 veri kümesinin birincil uygulamaları nelerdir?
CIFAR-100 veri seti, görüntü sınıflandırması için derin öğrenme modellerini eğitmek ve değerlendirmek için yaygın olarak kullanılmaktadır. 20 kaba kategoriye ayrılmış 100 sınıflık çeşitli kümesi, Evrişimsel Sinir Ağları (CNN'ler), Destek Vektör Makineleri (SVM'ler) ve diğer çeşitli makine öğrenimi yaklaşımları gibi algoritmaları test etmek için zorlu bir ortam sağlar. Bu veri seti, özellikle nesne tanıma ve sınıflandırma görevleri için makine öğrenimi ve bilgisayarlı görü alanlarındaki araştırma ve geliştirme için önemli bir kaynaktır.
CIFAR-100 veri kümesi nasıl yapılandırılmıştır?
CIFAR-100 veri seti iki ana alt kümeye ayrılmıştır:
- Eğitim Kümesi: Makine öğrenimi modellerini eğitmek için kullanılan 50.000 görüntü içerir.
- Test Kümesi: Eğitimli 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 resim içerir ve bu da onu titiz akademik ve endüstriyel araştırma için benzersiz bir şekilde uygun hale getirir.
CIFAR-100 veri kümesinden örnek resimleri ve açıklamaları nerede bulabilirim?
CIFAR-100 veri seti, çeşitli nesnelerin çeşitli renkli görüntülerini içerir ve bu da onu görüntü sınıflandırma görevleri için yapılandırılmış bir veri seti haline getirir. Örnek görüntüleri ve açıklamaları görmek için belgelendirme sayfasına başvurabilirsiniz. Bu örnekler, veri setinin çeşitliliğini ve karmaşıklığını vurgulamaktadır ve bu da sağlam görüntü sınıflandırma modellerini eğitmek için önemlidir. Sınıflandırma görevleri için uygun daha fazla veri seti için Ultralytics'in sınıflandırma veri setlerine genel bakışına göz atın.
