Görüntü Sınıflandırma Projesi

Bu projede, görüntüleri kategorilere sınıflandırmak için basit bir CNN oluşturacağız. Görüntü sınıflandırma, bir girdi görüntüsünün kategorisini veya etiketini tahmin etmeyi içerir.

Sınıflandırma Veri Kümesi

Uçaklar, arabalar, kuşlar ve kediler gibi 10 kategoride 60.000 görüntüden oluşan CIFAR-10 veri kümesini kullanacağız. Her görüntü 32×32 piksel boyutundadır ve 3 renk kanalına (RGB) sahiptir.

Veri Kümesini Yükleme

CIFAR-10 veri kümesini TensorFlow kullanarak yükleyeceğiz:

import tensorflow as tf
from tensorflow.keras.datasets import cifar10

# Load dataset
(x_train, y_train), (x_test, y_test) = cifar10.load_data()

# Normalize the pixel values to [0, 1]
x_train = x_train / 255.0
x_test = x_test / 255.0

print("Training data shape:", x_train.shape)

CNN Modelini Oluşturma

Evrişimli, havuzlama ve tam bağlantılı katmanlardan oluşan bir CNN mimarisi tanımlayacağız:

from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Conv2D, MaxPooling2D, Flatten, Dense

# Define the CNN model
model = Sequential([
    Conv2D(32, (3, 3), activation='relu', input_shape=(32, 32, 3)),
    MaxPooling2D((2, 2)),
    Conv2D(64, (3, 3), activation='relu'),
    MaxPooling2D((2, 2)),
    Flatten(),
    Dense(128, activation='relu'),
    Dense(10, activation='softmax')
])

Modeli Derleme

Modeli şu bileşenlerle derleriz:

• Kayıp İşlevi: Çok sınıflı sınıflandırma için kategorik çapraz entropi.
• İyileştirici: Verimli öğrenme için Adam iyileştiricisi.
• Ölçütler: Başarımı değerlendirmek için doğruluk.

# Compile the model
model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy'])

Modeli Eğitme

Modeli, eğitim verilerini kullanarak 10 eğitim turu boyunca eğitiriz. Eğitim sırasında model, görüntüleri kategorilere sınıflandırmayı öğrenir.

# Train the model
model.fit(x_train, y_train, epochs=10, validation_data=(x_test, y_test))

Modeli Değerlendirme

Eğitimden sonra, doğruluğunu kontrol etmek için modeli sınama verileri üzerinde değerlendiririz:

# Evaluate the model
loss, accuracy = model.evaluate(x_test, y_test)
print(f"Test Accuracy: {accuracy * 100:.2f}%")

Tahminler Yapma

Eğitilmiş modeli yeni görüntüler üzerinde tahminler yapmak için kullanabiliriz:

# Predict the category of a test image
import numpy as np

sample_image = x_test[0]
sample_label = y_test[0]

prediction = np.argmax(model.predict(sample_image[np.newaxis, ...]))
print(f"Predicted Label: {prediction}, Actual Label: {sample_label[0]}")

Görüntü Sınıflandırmadaki Zorluklar

Yaygın zorluklar şunlardır:

• Aşırı Öğrenme: Model, eğitim verilerinde iyi; yeni verilerde ise kötü performans gösterir.
• Sınıf Dengesizliği: Veri kümesindeki kategorilerin eşit olmayan biçimde temsil edilmesi.
• Hesaplama Maliyeti: Derin ağları eğitmek önemli miktarda kaynak gerektirir.

Özet ve Sonraki Adımlar

Bu projede:

• CIFAR-10 veri kümesini kullanarak görüntü sınıflandırma için bir CNN oluşturup eğittik.
• Veri kümesini yüklemeyi, ön işlemden geçirmeyi ve değerlendirmeyi öğrendik.
• Görüntü sınıflandırma görevlerindeki zorlukları ele aldık.

Sonraki adımda, eğitim görüntülerinin farklı sürümlerini oluşturarak model başarımını artırmaya yönelik veri artırma tekniklerini inceleyeceğiz.