Görüntü Sınıflandırma Projesi

Bu projede, görüntüleri kategorilere ayırmak 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 Modeli 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 unsurlarla derleriz:

• Kayıp İşlevi: Çok sınıflı sınıflandırma için kategorik çapraz entropi.
• En İyileştirici: Etkili öğrenme için Adam en iyileştiricisi.
• Ölçütler: Performansı 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 ayırmayı 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}%")

Tahminlerde Bulunma

Yeni görüntüler üzerinde tahminlerde bulunmak için eğitilmiş modeli 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 Uyum: Model, eğitim verilerinde iyi performans gösterirken yeni verilerde kötü performans gösterir.
• Sınıf Dengesizliği: Veri kümesindeki kategorilerin eşit olmayan dağılımı.
• 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 oluşturduk ve eğittik.
• Veri kümesini yüklemeyi, ön işlemden geçirmeyi ve değerlendirmeyi öğrendik.
• Görüntü sınıflandırma görevlerindeki zorlukları ele aldık.

Sonraki adımda, eğitim görüntülerinin çeşitlerini oluşturarak model performansını iyileştirmek için veri artırma tekniklerini inceleyeceğiz.