/proje detayları
FashionMNIST Robustness Analizi
Altı sınıflı FashionMNIST classification için PyTorch Lightning tabanlı tekrarlanabilir bir pipeline kurdum; CNN/MLP modellerini ve augmentation stratejilerini karşılaştırdım.
Bu proje, FashionMNIST veri setinin altı sınıflı filtrelenmiş bir versiyonu üzerinde kompakt bir computer vision pipeline'ı olarak başladı. Orijinal dataset'i filtreleyen, label'ları yeniden map eden, normalization uygulayan ve opsiyonel rotation augmentation yapan custom Dataset class'ı yazdım.
Training akisini PyTorch Lightning ile kurdum; boylece model tipi, learning rate, batch size, training/evaluation, checkpoint secimi ve augmentation ayarlari command-line flag'leriyle tekrarlanabilir hale geldi.
Sadece classifier egitmekten ziyade asil ilginc kisim robustness analiziydi: modelin test zamaninda rotated image'lar gordugunde nasil davrandigini, sonra da rotation augmentation ile egitilen modellerin performansini karsilastirdim.
Öne çıkanlar
- Altı sınıflı FashionMNIST classification için CNN ve MLP mimarileri implemente ettim.
- Training, validation, test, early stopping, checkpointing ve TensorBoard logging için PyTorch Lightning kullandım.
- CNN modeliyle baseline test accuracy olarak ~97.3% elde ettim.
- Gorulmeyen test-time rotation'larin accuracy'yi ~35.7%'ye dusurdugunu, rotation-aware training ile performansin ~95%'e toparlandigini gosterdim.
- Horizontal flip augmentation'in performansi biraz dusurdugunu gozlemledim; bu da augmentation'in data domain ile uyumlu olmasi gerektigini gosteriyor.
Figürler
