Skip to content

Latest commit

 

History

History
70 lines (55 loc) · 3.93 KB

README.md

File metadata and controls

70 lines (55 loc) · 3.93 KB
Raw

Deep_Learning_Project_Buket_Kalfa

Bu proje, bir balık veri seti üzerinde yapay sinir ağları (ANN) ve evrişimli sinir ağları (CNN) kullanarak balık türlerini sınıflandırmayı amaçlamaktadır. Proje kapsamında kullanılan veri seti, farklı balık türlerine ait görüntülerden oluşmaktadır. Model, bu görüntülerden yola çıkarak balık türlerini sınıflandırmayı öğrenir.

[Kaggle Notebook "A_Large_Scale_Fish_Dataset_Buket_Kalfa_" linki]https://www.kaggle.com/code/buketkalfa/a-large-scale-fish-dataset-buket-kalfa/

Veri Seti

Bu projede kullanılan veri seti, Kaggle üzerinde bulunan geniş ölçekli bir balık veri setidir. Veri seti, 9 farklı balık türüne ait toplamda 18.000 görüntü içermektedir.

Balık türleri şunlardır:

Hourse Mackerel

Black Sea Sprat

Sea Bass

Red Mullet

Trout

Striped Red Mullet

Shrimp

Gilt-Head Bream

Red Sea Bream

Proje Aşamaları

1. Veri Hazırlama

Görüntüler, TensorFlow'un ImageDataGenerator sınıfı kullanılarak yüklenmiş ve eğitim/ doğrulama olarak %80 eğitim ve %20 doğrulama verisi şeklinde ayrılmıştır. Ayrıca, görüntülerin her biri 224x224 boyutlarına küçültülmüş ve normalizasyon işlemi yapılmıştır.

2. CNN Modeli

CNN modeli, görsel verileri işleyip sınıflandırma yapabilen güçlü bir modeldir. Bu model şu katmanlardan oluşur:

Giriş Katmanı: (224x224x3)

3 adet Evrişim Katmanı (Conv2D) ve Max Pooling katmanları

Flatten katmanı

128 nöronlu tam bağlantılı (Dense) katman

Çıkış katmanı: Softmax ile 9 sınıfı sınıflandırır.

3. Eğitim

Her iki model de 10 epoch boyunca eğitilmiştir ve aşağıdaki sonuçlar elde edilmiştir:

CNN Modeli Sonuçları:

Model, her biri 9 farklı balık sınıfını temsil eden 7200 görüntü üzerinde eğitildi. Eğitim sırasında model parametreleri güncellenerek, sınıflar arasında en yüksek doğruluk oranına ulaşılması hedeflendi. Aşağıdaki adımlar kullanılarak eğitim süreci yapılandırılmıştır:

1. Veri Önişleme ve Artırma:

- Rescale: Görseller `1./255` ile normalize edildi.
- Veri artırma işlemleri:
    - Döndürme (`rotation_range=20`)
    - Genişlik ve yükseklik kaydırmaları (`width_shift_range=0.2`, `height_shift_range=0.2`)
    - Kesme (`shear_range=0.2`)
    - Yakınlaştırma (`zoom_range=0.2`)
    - Yatay çevirme (`horizontal_flip=True`)

2. Eğitim Parametreleri:

- Epoch sayısı: 10
- Batch boyutu: 32
- Optimizasyon: `Adam` optimizer, varsayılan ayarlarla.
- Kayıp Fonksiyonu: `Categorical Crossentropy`
- Sınıf modu: Kategorik (`categorical`) olarak tanımlandı.

Model Eğitimi

Model, eğitimin her epoch'unda belirli bir doğruluk ve kayıp değerine ulaşmıştır. Epoch sonuçlarına göre doğruluk oranında belirli bir artış gözlenmiş, ancak doğrulama kaybı bazı epoch'larda yüksek kalmıştır

Model Doğrulama Sonuçları

Eğitim sonrasında, model doğrulama veri seti üzerinde test edilmiştir. Doğrulama sonuçları şu şekildedir:

  • Doğrulama Kaybı: 15.7350
  • Doğrulama Doğruluğu: %41.78

Değerlendirme ve İyileştirme Önerileri

Modelin doğrulama doğruluğu (%41.78) ve doğrulama kaybı değerleri, modelin daha iyi bir performansa ulaşabilmesi için iyileştirilmesi gerektiğini göstermektedir. Önerilen bazı geliştirmeler şunlardır:

  • Model Mimarisi: Ekstra Conv2D katmanları veya Dropout katmanları ekleyerek aşırı uyum önlenebilir.
  • Hiperparametre Ayarları: Epoch sayısını artırmak ve learning_rate ayarları ile oynayarak daha iyi sonuçlar elde edilebilir.
  • Veri Artırma: Görseller üzerindeki veri artırma parametreleri üzerinde daha fazla çalışarak veri çeşitliliği artırılabilir.

Bu eğitim ve doğrulama süreçleri, modelin hangi alanlarda iyileştirilmeye açık olduğunu ortaya koymaktadır.