Yapay Zeka Hızlı Bakış & Çıkarımlar
AI InsightÇalışmanın sonunda, mümkün olduğu kadar artırılmış görüntü kullanmadan ve her bir hastalık sınıfına ait 600 görüntü olacak şekilde, 0,002 öğrenme oranı ve 10 yerine epoch 15 alınarak beşinci uygulamada en yüksek 0.8234 doğruluk performansı elde edilmiştir.
📌 3 Maddede Bu Makale
Özet
Bu çalışmada cilt kanserini tespit etmek için derin öğrenme tekniklerini kullanan EfficienNetB3 gibi mimarilerin performanslarını görmek için cilt lezyonlarını içeren HAM10000 veri seti ile çalışma yapılmıştır. Bu çalışmada derin öğrenmede, öğrenme oranının görüntü sınıflandırmada kullanılan evrişimli sinir ağlarını kullanan mimariler üzerindeki etkisini görmek için uygulamalar yapılmıştır. Bu uygulamalar öğrenme oranının, veri setinin büyüklüğü ve çeşitliliği ve eğitimde kullanılan görüntü sayıları ile birlikte artırılmış görüntü sayılarının hem sınıflandırmadaki başarıya hem de eğitim için geçen süreye etkisini görmek amacıyla yapılmıştır. Mimari olarak EfficientNetB3 ve veri seti olarak ta Kaggle platformunda açık erişimi olan HAM10000 veri seti kullanılmıştır. Çalışmanın sonunda, mümkün olduğu kadar artırılmış görüntü kullanmadan ve her bir hastalık sınıfına ait 600 görüntü olacak şekilde, 0,002 öğrenme oranı ve 10 yerine epoch 15 alınarak beşinci uygulamada en yüksek 0.8234 doğruluk performansı elde edilmiştir.
Abstract
In this study, a study was conducted with the HAM10000 dataset containing skin lesions to see the performance of architectures such as EfficienNetB3, which uses deep learning techniques to detect skin cancer. In this study, applications were made in deep learning to see the effect of the learning rate or learning rate on architectures using convolutional neural networks used in image classification. These applications were made to see the effect of the learning rate, the size and diversity of the data set, and the number of images used in training, as well as the increased number of images, on both the success in classification and the time taken for training. EfficientNetB3 was used as the architecture and HAM1000 dataset, which is open access on the Kaggle platform, was used as the dataset. At the end of the study, without using as many augmented images as possible and with 600 images of each disease class, a learning rate of 0.002 and epoch 15 instead of 10, the highest accuracy performance of 0.8234 was achieved in the fifth application.