deeplearning-rice-project

CNN tabanlı derin öğrenme modeli kullanarak 5 farklı pirinç türünü (Arborio, Basmati, Ipsala, Jasmine, Karacadag) sınıflandıran proje. TensorFlow/Keras ile geliştirilmiş, data augmentation ve model değerlendirme içerir

Giriş

Bu proje, Global AI Hub Bootcamp kapsamında geliştirilmiş bir pirinç görüntü sınıflandırma sistemidir. Rice Image Dataset üzerinde CNN tabanlı derin öğrenme modeli eğitilmiş ve model kararları Eigen-CAM ile görselleştirilmiştir.

Proje Amacı

• 5 farklı pirinç türünü yüksek doğrulukla sınıflandırmak
• Model interpretability için heatmap görselleştirmeleri oluşturmak
• Hiperparametre optimizasyonu ile optimal model performansına ulaşmak

Veri Seti

• Kaynak: Rice Image Dataset
• Sınıflar: Arborio, Basmati, Ipsala, Jasmine, Karacadag (5 sınıf)
• Görüntü Sayısı: 15,000 adet (sınıf başına 3,000)
• Split Oranı: Train (%80), Validation (%10), Test (%10)

Metrikler

Confusion Matrix ve metrık Analizi

Confusion Matrix: [[1494 0 5 1 0] [ 0 1497 0 3 0] [ 0 0 1500 0 0] [ 8 4 3 1485 0] [ 123 0 0 7 1370]]

Classification Report: precision recall f1-score support

 Arborio       0.92      1.00      0.96      1500
 Basmati       1.00      1.00      1.00      1500
  Ipsala       0.99      1.00      1.00      1500
 Jasmine       0.99      0.99      0.99      1500

Karacadag 1.00 0.91 0.95 1500

accuracy                           0.98      7500

macro avg 0.98 0.98 0.98 7500 weighted avg 0.98 0.98 0.98 7500

Yorum: Tüm sınıflarda dengeli ve yüksek performans gözlemlenmiştir.

Kullanılan Teknolojiler

• Deep Learning: TensorFlow, Keras
• Görüntü İşleme: OpenCV
• Hiperparametre Optimizasyonu: Keras Tuner
• Görselleştirme: Matplotlib, Seaborn
• Metrik Hesaplama: Scikit-learn

Proje Yapısı

rice-classification/ ├── notebooks/ │ ├── 01_data_preprocessing.ipynb │ ├── 02_cnn_model_training.ipynb │ ├── 03_hyperparameter_tuning.ipynb │ └── 04_eigen_cam_visualization.ipynb ├── models/ │ └── best_model.h5 ├── utils/ │ ├── data_loader.py │ └── visualization.py └── README.md

Sonuç ve Gelecek Çalışmalar

Başarılar

• %99.20 basarı elde edildi
• Tüm sınıflarda dengeli performans sağlandı
• Model kararları görselleştirilebildi
• Hiperparametre optimizasyonu başarıyla uygulandı

Yapılabilecek Gelecek Çalışmalar

• Transfer Learning ile model performansını iyileştirme
• Data Augmentation çeşitliliğini artırma

#linkler https://www.kaggle.com/code/marskafas/rice-dataset https://www.kaggle.com/datasets/muratkokludataset/rice-image-dataset