Kumaş imgelerinin derin öğrenme ile sınıflandırılması

Her gün insan ve teknoloji etkileşiminden milyonlarca veri üretilmektedir. Bu verilerin işlenmesi ve belirli sonuçlar elde edilmesi bilginin varlığı açısından önemlidir. İnsanlar tarafından yapılan çıkarımlar artık gün geçtikçe başarı oranı artan, hata payı azalan yapay zekâ tabanlı sistemler tarafından yapılmaktadır. Görüntü, ses, dil işleme, biyomedikal gibi birçok alanda elde edilen başarılardan dolayı derin öğrenmenin kullanımı da yaygınlaşmıştır. Bu çalışmada da derin öğrenmenin çok katmanlı sinir ağı yapılarından olan evrişimli sinir ağları (CNN) ile kumaş görüntülerini sınıflandırma amaçlanmıştır. İlk aşamada sınıflandırma yapılacak modeller tasarlanırken başarıya etki eden hiper-parametreler dikkate alınmış, 10 farklı modelde eğitilmiştir. İkinci aşamada ise veriler önceden eğitilmiş yedi modelde transfer öğrenimi (Trasfer Learning) metodu ile iki farklı yaklaşım kullanılarak eğitilmiştir ve tüm sonuçlar karşılaştırılmıştır. Toplamda, veriler 24 farklı modelde eğitime tabi tutulmuştur. Her model kesinlik, duyarlılık, F1 skoru ve doğruluk metriklerine göre değerlendirilmiş sonuçlar paylaşılmıştır. Tasarlanan modellerde en yüksek başarı oranı ve en düşük başarı oranı sırasıyla %96,26, %28,24 olarak elde edilmiştir. Transfer öğrenimi yoluyla yapılan eğitimlerde en yüksek başarı oranı %84,51 ile ince ayar yapılmış VGG-16 modelinde elde edilirken, en düşük başarı %76,53'lük oranla sadece özellik çıkarımı yaklaşımı kullanılan InceptionV3 modelinden elde edilmiştir.