Balık Türleri Sınıflandırma Projesi - %99.61 Accuracy

Bu proje, farklı balık türlerini sınıflandırmak için derin öğrenme teknikleri kullanarak bir model geliştirmeyi amaçlamaktadır. Python programlama dili ve TensorFlow ile Keras kütüphaneleri kullanılarak inşa edilmiştir.

Proje Amacı

Projenin temel amacı, balık türlerinin görüntülerini analiz ederek bu görüntülerin hangi türe ait olduğunu otomatik olarak belirlemektir.

Veri Seti

Proje, Kaggle platformunda yer alan "A Large Scale Fish Dataset" veri setini kullanmaktadır. Bu veri seti, aşağıdaki 9 balık türüne ait toplam 9000 adet yüksek kaliteli PNG formatında görüntü içermektedir:

• Hourse Mackerel
• Black Sea Sprat
• Sea Bass
• Red Mullet
• Trout
• Striped Red Mullet
• Shrimp
• Gilt-Head Bream
• Red Sea Bream Veri seti, her tür için yeterli örneklem sunarak modelin genel performansını artırmayı hedefler.

Veri Setinin Özellikleri

• Format: PNG
• Toplam Görüntü Sayısı: 9000 Her Tür İçin Örnek Sayısı: Denge sağlanarak her türden yeterli sayıda örnek bulunmaktadır.

Proje Yapısı

Proje aşağıdaki aşamalardan oluşmaktadır:

1. Gerekli Kütüphanelerin İçe Aktarılması:

• NumPy, Pandas, Matplotlib, Seaborn gibi kütüphaneler veri analizi ve görselleştirme için kullanılır.
• TensorFlow ve Keras, derin öğrenme modelinin inşası için gereklidir.

2. Veri Yükleme:

• Balık türlerinin görüntüleri belirtilen dizinden yüklenir ve etiketlenir.
• Her görüntü için dosya yolu ve etiket bilgisi bir DataFrame yapısına aktarılır.

3. Veri Ön İşleme*:

• Veri setinin analizi yapılır, eksik değerler kontrol edilir.
• Görüntülerin sayısal etiketleri dönüştürülür.

4. Veri Setinin Ayırma:

• Eğitim ve test veri setleri oluşturulur. Eğitim setinin %80'i, test setinin %20'si olarak ayrılır.

5. Veri Artırma:

• Eğitim verisi, görüntü işleme teknikleri (döndürme, kaydırma, yakınlaştırma) kullanılarak çeşitlendirilir. Bu, modelin genelleme yeteneğini artırır.

6. Modelin Oluşturulması:

• Konvolüsyonel Sinir Ağı (CNN) mimarisi tanımlanır.
• Modelde kullanılan katmanlar: Conv2D, MaxPooling2D, Flatten, Dense, Dropout, ve BatchNormalization.

7. Modelin Eğitilmesi:

• Model, eğitim veri setinde eğitilirken doğrulama veri seti ile sürekli olarak izlenir.
• Erken durdurma ve model kaydetme mekanizmaları ile modelin aşırı öğrenmesini önlemek için önlemler alınır.

8. Sonuçların Analizi:

• Model test edilir ve test kaybı, doğruluk oranı, karmaşıklık matrisi ve sınıflandırma raporları oluşturulur.

Kullanılan Teknolojiler

• Python: Projenin ana programlama dili.
• TensorFlow & Keras: Derin öğrenme modelinin geliştirilmesi için kullanılmıştır.
• Pandas: Veri analizi ve manipülasyonu için.
• NumPy: Sayısal işlemler ve matris manipülasyonu için.
• Matplotlib & Seaborn: Veri görselleştirme ve grafik oluşturma için.
• Scikit-learn: Sınıflandırma raporları ve karmaşıklık matrisi oluşturma için.

Model Performansı

Model, eğitim ve test veri setleri üzerinde yüksek başarı göstermiştir. Elde edilen sonuçlar:

• Test Kaybı: 0.0151
• Test Doğruluğu: 99.61%

Sınıflandırma Raporu

Modelin her bir sınıf için doğruluk, hatırlama (recall) ve F1 skoru gibi metrikleri içerir. Örneğin:

• Black Sea Sprat: Precision: 1.00, Recall: 1.00, F1-Score: 1.00
• Gilt-Head Bream: Precision: 1.00, Recall: 0.97, F1-Score: 0.98 Bu sonuçlar, modelin çoğu balık türünü yüksek doğrulukla sınıflandırabildiğini göstermektedir.

Kaggle Linki

Projenin detaylarına ve veri setine ulaşmak için: large-scale-fish-classification-99-6accuracy

İletişim

Herhangi bir soru veya öneriniz varsa, lütfen benimle iletişime geçin. Proje ile ilgili geri bildirimleriniz benim için değerlidir.

E-posta: baydemirhatice@hotmail.com

Linkedln: https://www.linkedin.com/in/haticebaydemir/