🦋🌸🐦 Image Processing Final Project — Multi-Species Image Classifier

Ders: YZM309 – Görüntü İşleme (Image Processing)
Öğrenci: Emir Çabalak — 230212012

Üç farklı doğa kategorisindeki 467 türü sınıflandırabilen derin öğrenme tabanlı bir görüntü sınıflandırma projesidir. Proje kapsamında sıfırdan tasarlanan CNN modelleri ile Transfer Learning yaklaşımları karşılaştırmalı olarak değerlendirilmiştir.

---

📌 Proje Özeti

Özellik	Detay
Görev	Çoklu sınıf görüntü sınıflandırma (Multi-class Image Classification)
Toplam Sınıf	467 tür
Kategoriler	🦋 Kelebek (100) · 🌸 Çiçek (102) · 🐦 Kuş (265)
Eğitim Ortamı	Google Colab (GPU)
Test Ortamı	Yerel bilgisayar (Tkinter GUI)
Framework	TensorFlow / Keras

---

📂 Proje Yapısı

Image_Processing_Final_Project/
│
├── Custom_128 (underfit)/       # Özel CNN — 128×128, BS:64 (underfit gözlemi)
│   ├── Model_Creator.py         # Colab eğitim betiği
│   ├── Tester.py                # Yerel test betiği (Tkinter GUI)
│   ├── best_model.keras         # En iyi eğitilmiş model
│   └── ...
│
├── Custom_224_bs128 (overfit)/   # Özel CNN — 224×224, BS:64 (overfit gözlemi)
│   ├── Model_Creator.py
│   ├── Tester.py
│   ├── best_model.keras
│   └── ...
│
├── EfficientNet/                 # Transfer Learning — EfficientNetB0
│   ├── Model_Creator.py
│   ├── Tester.py
│   ├── best_model.keras
│   └── ...
│
├── MobileNetV2/                  # Transfer Learning — MobileNetV2
│   ├── Model_Creator.py
│   ├── Tester.py
│   ├── best_model_mobilenet.keras
│   └── ...
│
├── ResNet50/                     # Transfer Learning — ResNet50
│   ├── Model_Creator.py
│   ├── Tester.py
│   ├── best_model_resnet.keras
│   └── ...
│
├── datasets/                     # Veri setleri (Kaggle + TFDS)
│   ├── birds/                    # 265 kuş türü
│   ├── butterflies/              # 100 kelebek türü
│   └── tfds_data/                # Oxford Flowers 102
│
├── ornek.webp                    # Örnek test görseli (Albatros)
└── 230212012_EmirÇabalak.pdf     # Proje raporu

---

🧠 Kullanılan Modeller

1. Özel (Custom) CNN Modelleri

Sıfırdan tasarlanan Convolutional Neural Network mimarileri ile deneme yapılmıştır:

• Custom_128 (underfit): 128×128 giriş boyutu, 64 batch size. Modelin kapasitesi yetersiz kaldığından underfit gözlemlenmiştir.
• Custom_224 (overfit): 224×224 giriş boyutu, 5 bloklu derin mimari (32→64→128→256→512 filtreler), BatchNormalization ve Dropout katmanları. Daha yüksek kapasite nedeniyle overfit eğilimi gözlemlenmiştir.

Custom CNN Mimari Detayı (224×224 versiyonu)

Giriş (224×224×3)
  → [Conv2D(32) → BN → Conv2D(32) → BN → MaxPool → Dropout(0.25)]   # Blok 1
  → [Conv2D(64) → BN → Conv2D(64) → BN → MaxPool → Dropout(0.30)]   # Blok 2
  → [Conv2D(128) → BN → Conv2D(128) → BN → MaxPool → Dropout(0.40)] # Blok 3
  → [Conv2D(256) → BN → Conv2D(256) → BN → MaxPool → Dropout(0.40)] # Blok 4
  → [Conv2D(512) → BN → Conv2D(512) → BN → MaxPool → Dropout(0.40)] # Blok 5
  → Flatten → Dense(1024) → BN → Dropout(0.5)
  → Dense(467, softmax)

2. Transfer Learning Modelleri

ImageNet üzerinde önceden eğitilmiş ağırlıklar kullanılarak iki fazlı eğitim uygulanmıştır:

Model	Giriş Boyutu	Dropout	Faz 1 (Kafa)	Faz 2 (İnce Ayar)	Açılan Katman
EfficientNetB0	224×224	0.3	15 epoch, lr=0.001	50 epoch, lr=1e-5	Son 30 katman
MobileNetV2	224×224	0.4	15 epoch, lr=Adam	50 epoch, lr=1e-5	Son 30 katman
ResNet50	224×224	0.5	15 epoch, lr=Adam	50 epoch, lr=1e-5	Son 40 katman

Faz 1 (Feature Extraction): Önceden eğitilmiş katmanlar dondurulur, sadece eklenen sınıflandırma kafası (Dense + Softmax) eğitilir.
Faz 2 (Fine-Tuning): Temel modelin son N katmanı açılır ve çok düşük öğrenme oranıyla tüm model birlikte eğitilir.

---

📊 Veri Setleri

Üç farklı kaynaktan toplanan veri setleri birleştirilerek tek bir büyük veri seti oluşturulmuştur:

Veri Seti	Kaynak	Sınıf Sayısı	Açıklama
Kelebek Türleri	Kaggle — Butterfly Images	100	100 farklı kelebek türü
Oxford Flowers 102	TensorFlow Datasets (TFDS)	102	102 farklı çiçek türü
Kuş Türleri	Kaggle — 100 Bird Species	265	265 farklı kuş türü

Veri Artırma (Data Augmentation)

Eğitim sırasında aşağıdaki augmentation teknikleri uygulanmıştır:

• RandomFlip("horizontal") – Yatay çevirme
• RandomRotation(0.1) – Rastgele döndürme (±10%)
• RandomZoom(0.1) – Rastgele yakınlaştırma (±10%)

---

🚀 Kullanım

Gereksinimler

pip install tensorflow tensorflow-datasets numpy matplotlib pillow kaggle

Eğitim (Google Colab)

Her model klasöründeki Model_Creator.py dosyası Google Colab üzerinde çalıştırılmak üzere tasarlanmıştır:

1. Model_Creator.py dosyasını Colab'a yükleyin
2. kaggle.json API anahtarınızı hazır bulundurun
3. Google Drive bağlantısını onaylayın
4. Betik otomatik olarak veri setlerini indirir, modeli eğitir ve en iyi ağırlıkları Drive'a kaydeder

⚠️ Eğitim betikleri Colab-specific komutlar (!kaggle ..., drive.mount(...)) içerdiğinden yerel ortamda doğrudan çalışmaz.

Test (Yerel Bilgisayar)

Her model klasöründeki Tester.py dosyası yerel bilgisayarda çalıştırılmak üzere tasarlanmıştır:

# Örnek: EfficientNet modelini test etme
cd EfficientNet
python Tester.py

1. Script çalıştığında etiket haritasını oluşturmak için veri setlerini kontrol eder (eksikse otomatik indirir)
2. Eğitilmiş modeli (best_model.keras) yükler
3. Tkinter dosya seçici penceresi açılır — test edilecek görseli seçin
4. Tahmin sonucu, güven oranı ve kategori (Kuş/Çiçek/Kelebek) ekrana yazdırılır ve matplotlib ile görselleştirilir

---

🛠️ Teknik Detaylar

• Loss Fonksiyonu: sparse_categorical_crossentropy
• Optimizasyon: Adam optimizer
• Metrik: Accuracy
• Checkpoint Sistemi: ModelCheckpoint (en iyi val_accuracy) + epoch takibi (last_epoch.json)
• Erken Durdurma: EarlyStopping (val_loss izleme, patience: 5–15 epoch)
• Etiket Sıralaması: Kelebek [0–99] → Çiçek [100–201] → Kuş [202–466]
• Ön İşleme: Model tipine göre farklı (normalize /255.0, EfficientNet preprocess, ResNet caffe-mode)

---

📁 Dosya Açıklamaları

Dosya	Açıklama
Model_Creator.py	Google Colab üzerinde model eğitimi: veri indirme, augmentation, model oluşturma, eğitim ve checkpoint kaydetme
Tester.py	Yerel bilgisayarda tahmin: etiket haritası oluşturma, model yükleme, Tkinter ile görsel seçme ve sınıflandırma
best_model*.keras	Eğitim sırasında en yüksek val_accuracy'ye sahip kaydedilmiş model
latest_checkpoint.weights.h5	Eğitimin kaldığı yerden devam edebilmesi için son epoch ağırlıkları
last_epoch.json	En son tamamlanan epoch numarası
ornek.webp	Test için kullanılan örnek albatros görseli

---

📝 Lisans

Bu proje, YZM309 – Görüntü İşleme dersi kapsamında final projesi olarak geliştirilmiştir.