Cilt Kanseri Görüntüleri Kullanılarak Eğitilen EfficientNet-B3 Mimarisinde Hiperparametre Seçiminin Sınıflandırma Performansına Etkisinin İncelenmesi

Basit Öğe Kaydı
dc.contributor.authorKarli, Ahmet Bahadır
dc.contributor.authorKaya, Buket
dc.date.accessioned2025-03-08T18:27:28Z
dc.date.available2025-03-08T18:27:28Z
dc.date.issued2024
dc.departmentDicle Üniversitesi
dc.description.abstractBu 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.
dc.description.abstractIn 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.
dc.identifier.doi10.35234/fumbd.1426044
dc.identifier.endpage507
dc.identifier.issn1308-9072
dc.identifier.issue1
dc.identifier.startpage499
dc.identifier.urihttps://doi.org/10.35234/fumbd.1426044
dc.identifier.urihttps://hdl.handle.net/11468/31019
dc.identifier.volume36
dc.language.isotr
dc.publisherFırat Üniversitesi
dc.relation.ispartofFırat Üniversitesi Mühendislik Bilimleri Dergisi
dc.relation.publicationcategoryMakale - Ulusal Hakemli Dergi - Kurum Öğretim Elemanı
dc.rightsinfo:eu-repo/semantics/openAccess
dc.snmzKA_DergiPark_21250205
dc.subjectEvrişimli sinir ağı (ESA)
dc.subjectöğrenme oranı
dc.subjectderin öğrenme
dc.subjectHAM10000
dc.subjectcit kanseri
dc.subjectConvolutional neural network (CNN)
dc.subjectlearning rate
dc.subjectdeep learning
dc.subjectHAM10000
dc.subjectskin cancer
dc.titleCilt Kanseri Görüntüleri Kullanılarak Eğitilen EfficientNet-B3 Mimarisinde Hiperparametre Seçiminin Sınıflandırma Performansına Etkisinin İncelenmesi
dc.title.alternativeInvestigation of the Effect of Hyperparameter Selection on Classification Performance in EfficientNet-B3 Architecture Trained Using Skin Cancer Images
dc.typeArticle

Dosyalar

Koleksiyon

DergiPark Kayıtları Koleksiyonu