Özet:
Günümüzde üretim sektöründe bir ürünün çok farklı çeşitleri üretilebilmektedir. Özellikle ayakkabı gibi tüm tüketicilerin temel bir ihtiyacı olan üründe çok fazla sayıda çeşitlilikte tercih bulunabilmektedir. Üretim sektöründeki artış, e-ticaretin yaygınlaşması gibi sebeplerden dolayı tüketicinin beğendiği ürünü bulabilmesi için çeşitli sınıflandırma tekniklerinden faydalanılmaktadır. Bu sınıflandırma tekniklerinden biri de oldukça popüler kullanımı olan derin öğrenme yaklaşımıdır. Sınıflandırma işleminin en doğru ve hızlı bir şekilde gerçekleştirilebilmesi için farklı yöntemlerin gelişimi devam etmektedir. Derin öğrenme yöntemi ile sınıflandırma yapılırken donanım maliyeti, zamandan tasarruf ve veri kümesinin yetersizliği gibi sorunların önüne geçebilmek için önceden eğitilmiş derin öğrenme modellerinden transfer öğrenme yöntemleri kullanılmaktadır. Bu tez çalışmasında, 107 farklı sınıf etiketi içeren ayakkabı görüntülerinden oluşan bir veri kümesi ile farklı önceden eğitilmiş derin öğrenme modelleri kullanılarak transfer öğrenme uygulamaları yapılmaktadır. Sıfırdan tasarlanan konvolüsyonel sinir ağları ile bu veri kümesi eğitilmektedir. Yapılan bu uygulamaların sınıflandırma doğruluk başarı oranları ve çalışma süreleri kıyaslanarak transfer öğrenmenin sağladığı avantajlar gözlemlenmektedir. Elde edilen deneysel çalışmaların sonuçlarına göre ayakkabı veri kümesi ile yapılan transfer öğrenme uygulamalarının, sıfırdan tasarlanan konvolüsyonel sinir ağlarından daha başarılı olduğu görülmektedir. Önceden eğitilmiş derin öğrenme modellerinden AlexNet modeli ile ince ayar transfer öğrenme yöntemi kullanılarak yapılan deneysel çalışma %72.87'lik sınıflandırma doğruluk başarı oranı ile bu tez çalışmasında yapılan diğer deneysel çalışmalara kıyasla en başarılı sonucu vermektedir
