Proje kapsamında bir derin öğrenme modeli olan CNN(Convolutional Neural Networks) kullanılarak 10 sınıflı görüntü tanıma işlemi yapılmıştır. 2700 örnek içeren veri seti %80 eğitim, %20 test olarak ayrıldıktan sonra veri çoğaltma(data augmentation) işlemiyle sağa ve sola döndürülmüş olan görüntüler de veri setine eklenmiştir. Yapay sinir ağı oluşturulurken 5 adet konvolüsyon+max_pooling+batch_normalizer katmanları kullanılmıştır. Bu katmanların çıktısı fully connected katmandan da geçtikten sonra softmax classifier katmanına iletilmiştir. Ağın gerçeklenmesi için python programlama dili ve Keras kütüphanesi kullanılmıştır. Testler sonucunda, %97.72 eğitim başarısı ve %97.3 test başarısı elde edilmiştir.
https://github.com/tahtaciburak/cnn-image-classifier/ adresinden projeye ait kodlar indirilebilir. Kodlarla birlikte Train/Test/Validation datasetleri de bu repo içerisinde mevcuttur. Herhangi bir düzenleme yapmaksızın kodların çalışırlığı bu repo üzerinden test edilebilir.
Proje, jupyter-notebook uygulaması kullanılarak geliştirmiştir. Kaynak kodlar hem jupyter-notebook ortamında hem de normal python dosyası şeklinde kaydedilmiştir. Kodu çalıştırabilmek için Keras ve Python3.6 yüklü olmalıdır. Ek olarak numpy, Pillow bağımlılıklarının da yüklü olması gerekmektedir.
jupyter-notebook komutuyla interaktif not defterinin core'u çalıştırılır. Ardından kaynak kodların bulunduğu dizine gidilir. Bu dizinde main.ipynb dosyası açıldıktan sonra parçalara bölünmüş olan kodlar adım adım çalıştırılabilir. augmented-data-main.ipynb dosyasında veri çoğaltma işlemi ile birlikte yapılan sonuçlar bulunmaktadır. İki farklı modelin sonuçları bu dosyalar kullanılarak karşılaştırılabilir.
python3 main.py komutu verilerek script çalıştırılabilir. Bağımlılıklar sorunsuz biçimde yüklenmişse main.py isimli script "Dataset/" dosyasını okuyarak işlemeye başlamaktadır. Eğitim ve test sonuçlarını STDOUT'a bastıktan sonra validasyon veri setini okuyup validasyon sonuçlarını göstermektedir.