Garbage_Classification

Garbage Classification CNN Classifier

Bu proje, katı atık (çöp) görüntülerini malzeme türlerine göre sınıflandırmak için transfer öğrenmesi (transfer learning) yaklaşımını kullanan bir Evrişimli Sinir Ağı (CNN) modeli uygular. Model, TensorFlow/Keras kullanılarak eğitilmiş olup geri dönüşüm süreçlerinde karton, cam, metal, kağıt ve plastik atıkları otomatik olarak ayırt edebilmektedir.

---

Veri Seti

Proje, Garbage Classification ‑ TrashNet veri setini temel almaktadır. Veri setini doğrudan repodaki dataset/garbage_dataset.zip dosyasından ya da orijinal kaynaktan edinebilirsiniz.

Proje Yapısı

├── assests/
│   ├── accuracy_graph.png
│   ├── loss_graph.png
│   └── confision_matrix.png
├── dataset/
│   └── garbage_dataset.zip
├── model/
│   └── model.h5
├── notebook/
│   └── garbage_classification.ipynb
├── predict_images/
│   └── (Tahmin için örnek görseller)
├── predict.py
└── README.md

Model Mimarisi

Model, MobileNetV2 tabanlı transfer öğrenme yaklaşımı kullanır ve son katmanları atık türü sınıflandırması için özelleştirilmiştir:

base_model = tf.keras.applications.MobileNetV2(
    input_shape=(224, 224, 3),
    include_top=False,
    weights="imagenet"
)
base_model.trainable = False  # Başlangıçta yalnızca öznitelik çıkarıcı olarak kullan

model = tf.keras.Sequential([
    base_model,
    tf.keras.layers.GlobalAveragePooling2D(),
    tf.keras.layers.Dense(128, activation="relu"),
    tf.keras.layers.Dropout(0.3),
    tf.keras.layers.Dense(5, activation="softmax")  # 5 sınıf
])

Model Özeti (Örnek)

Model: "sequential"
_________________________________________________________________
 Layer (type)                 Output Shape              Param #   
=================================================================
 mobilenetv2_1.00_224 (Funct)  (None, 7, 7, 1280)       2257984   
 global_average_pooling2d (Gl) (None, 1280)             0         
 dense (Dense)                (None, 128)               163,968   
 dropout (Dropout)            (None, 128)               0         
 dense_1 (Dense)              (None, 5)                 645       
=================================================================
Total params: 2,422,597
Trainable params: 164,613
Non-trainable params: 2,257,984
_________________________________________________________________

---

Eğitim Sonuçları

Eğitim & Doğrulama Doğruluğu

Eğitim & Doğrulama Kayıp Değeri

Karmaşıklık Matrisi

Örnek Eğitim Çıktıları

Epoch 1/30
 - accuracy: 0.4466 - loss: 1.3914 - val_accuracy: 0.7562 - val_loss: 0.7663
Epoch 4/30
 - accuracy: 0.8212 - loss: 0.4751 - val_accuracy: 0.7895 - val_loss: 0.6650
Epoch 7/30
 - accuracy: 0.8636 - loss: 0.3833 - val_accuracy: 0.7895 - val_loss: 0.6894

Veri Artırma (Data Augmentation)

Modelin genelleme kabiliyetini artırmak için aşağıdaki veri artırma teknikleri kullanılmıştır:

train_gen = ImageDataGenerator(
    rescale=1/255,
    rotation_range=40,
    width_shift_range=0.2,
    height_shift_range=0.2,
    shear_range=0.2,
    zoom_range=0.2,
    horizontal_flip=True,
    fill_mode='nearest'
)

Kullanım

1. Bu repoyu klonlayın
2. Gerekli kütüphaneleri yükleyin:

pip install tensorflow numpy matplotlib seaborn scikit-learn opencv-python

3. notebook/garbage_classification.ipynb dosyasını açarak modeli eğitin veya hazır modeli kullanmak için model/model.h5 dosyasını indirin/koruyun.
4. Tahmin yapmak için görsellerinizi predict_images/ klasörüne koyun ve ardından:

python predict.py

Tahmin Senaryosu

predict.py betiği, belirtilen görsel üzerinde tahmin yapar ve sonuç etiketini güven skoru ile birlikte görsele yazar. Çıktı prediction_output.jpg olarak kaydedilir.

Model Kontrol Noktası

Eğitim tamamlandığında en iyi ağırlıklar model/model.h5 dosyasına kaydedilir. Bu ağırlıkları yeniden eğitime gerek kalmadan doğrudan yükleyebilirsiniz:

from tensorflow.keras.models import load_model
model = load_model('model/model.h5')