🐟 Yapay Sinir Ağı (ANN) ile Balık Sınıflandırma Bu repo, yapay sinir ağı (ANN) modeli kullanarak balık türlerini sınıflandıran bir projeyi içermektedir. Veri seti, farklı balık türlerinin görüntülerini içerir ve derin öğrenme teknikleri kullanarak, verilen bir balık görüntüsünün türünü doğru bir şekilde tahmin eden bir model eğitilmiştir.
📊 Genel Bakış Yapay Sinir Ağları (ANN), insan beyninin çalışma prensiplerini taklit eden güçlü makine öğrenimi algoritmalarıdır. Bu ağlar, veriyi işleyen ve öğrenen birbirine bağlı katmanlardan oluşur. Bu projede, ANN'yi görüntü sınıflandırma görevleri için kullandık; özellikle, görüntülerdeki balık türlerini doğru bir şekilde sınıflandırmayı amaçladık.
Model, geniş bir balık veri seti üzerinde eğitildi ve doğrulandı, daha yüksek doğruluk ve genelleme kabiliyeti elde etmek için çeşitli iyileştirmeler yapıldı.
🚀 Proje Özellikleri Veri Artırımı (Data Augmentation): Eğitim veri setinin boyutunu yapay olarak artırmak için kullanıldı. Bu sayede modelin yeni, daha önce görülmemiş görüntülere karşı genelleme yeteneği geliştirildi. Dropout Katmanları: Aşırı öğrenmeyi (overfitting) önlemek amacıyla bazı nöronların rastgele kapatıldığı dropout katmanları eklendi. Bu sayede model, belirli özelliklere aşırı bağımlı hale gelmedi. Erken Durdurma (Early Stopping): Doğrulama kaybı iyileşmeyi bıraktığında eğitimi durdurarak modelin aşırı öğrenmesini engelledik. Öğrenme Hızı Zamanlayıcısı (Learning Rate Scheduler): Öğrenme hızını eğitim sırasında dinamik olarak ayarlayarak, modelin performansının durağanlaştığı anlarda daha ince ayarlarla öğrenme yapmasını sağladık. 🛠️ Gereksinimler Bu proje, aşağıdaki Python kütüphanelerini kullanmaktadır:
tensorflow: Sinir ağını oluşturmak ve eğitmek için pandas: Veri manipülasyonu ve ön işleme için numpy: Sayısal hesaplamalar için sklearn: Veri bölme ve değerlendirme metrikleri için matplotlib & seaborn: Veri görselleştirme ve sonuç grafikleme için Gereksinimleri yüklemek için:
bash Kodu kopyala pip install -r requirements.txt
📁 Veri Seti Bu projede kullanılan veri seti, çeşitli balık türlerinin görüntülerini içerir. Bu görüntüler, dosya yolları ve her bir görüntünün etiketi ile pandas DataFrame yapısında organize edilmiştir.
Eğitim-Test Bölmesi Veri seti, %80 eğitim ve %20 test seti olarak bölünmüştür. Ayrıca, eğitim verilerinin %20’si doğrulama verisi olarak kullanılmıştır.
🧠 Model Mimarisi ANN modelimiz, ReLU aktivasyon fonksiyonlarına sahip birkaç yoğun katmandan, batch normalization katmanlarından ve regularizasyon amacıyla dropout katmanlarından oluşmaktadır. Son katman ise sınıf olasılıklarını hesaplayan softmax fonksiyonu ile çıkış verir.
python Kodu kopyala model = tf.keras.Sequential([ tf.keras.layers.Flatten(input_shape=(224, 224, 3)), tf.keras.layers.Dense(516, activation='relu'), tf.keras.layers.BatchNormalization(), tf.keras.layers.Dropout(0.5), tf.keras.layers.Dense(224, activation='relu'), tf.keras.layers.BatchNormalization(), tf.keras.layers.Dropout(0.5), tf.keras.layers.Dense(128, activation='relu'), tf.keras.layers.Dense(9, activation='softmax') # 9 sınıf için çıkış ])
🎯 Değerlendirme Model, doğruluk (accuracy), kayıp (loss) ve karışıklık matrisi (confusion matrix) gibi metriklerle değerlendirildi. Test verileri üzerinde aşağıdaki sonuçlar elde edilmiştir:
Test Doğruluğu: Model, test verileri üzerinde yüksek doğruluk oranına ulaşmıştır. Karışıklık Matrisi: Yanlış sınıflandırmaları görselleştirerek, hangi balık türlerinin ayırt edilmesinin zor olduğunu gözlemledik. 📈 Görselleştirmeler Aşağıdaki detaylı grafikleri sunduk:
Eğitim ve doğrulama kayıplarının epoch’lar boyunca değişimi Eğitim ve doğrulama doğruluğunun epoch’lar boyunca değişimi Karışıklık matrisi Bu görselleştirmeler, modelin performansını anlamaya ve iyileştirme alanlarını tespit etmeye yardımcı olmaktadır.
📦 Kullanım Repoyu klonlayın: bash Kodu kopyala git clone https://github.com/kullanici-adi/Fish-Classification-ANN.git Gerekli kütüphaneleri yükleyin: bash Kodu kopyala pip install -r requirements.txt Veri setini indirip, kodda açıklandığı gibi organize edin.
Jupyter Notebook’u veya Python dosyalarını çalıştırarak modeli eğitip değerlendirin. Kaggle linki : https://www.kaggle.com/code/ilaydakileci/deep-learning-project?scriptVersionId=203124655
📝 Lisans Bu proje MIT Lisansı altında lisanslanmıştır - detaylar için LICENSE dosyasına bakabilirsiniz.
🤝 Katkıda Bulunma Projeye katkıda bulunmak için repoyu fork edebilir, pull request gönderebilir veya sorun bildirebilirsiniz.