kiyran/bilgisayarli-goru-bpe-tokenizer

Bilgisayarlı Görü Türkçe BPE Tokenizer

Bu tokenizer, bilgisayarlı görü alanındaki Türkçe soru-cevap kayıtlarından sıfırdan eğitilmiş özel bir Byte-Level BPE tokenizer'dır.

Veri seti

Tokenizer eğitiminde Ödev 1 kapsamında hazırlanan bilgisayarlı görü veri setinin ham metinleri kullanılmıştır.

• Eğitim corpus'u: 2 benzersiz metin
• Alan: Bilgisayarlı görü
• Dil: Türkçe
• Veri biçimleri: Soru-cevap ve konuşma kayıtları

Tokenizer özellikleri

• Algoritma: Byte-Level BPE
• İstenen vocabulary boyutu: 8000
• Gerçek vocabulary boyutu: 306
• Minimum token frekansı: 2
• Maksimum dizi uzunluğu: 512
• Normalizasyon: Unicode NFC
• Pre-tokenizer: ByteLevel
• Decoder: ByteLevel

Özel tokenlar

• <pad>: padding
• <unk>: bilinmeyen token
• <bos>: metin başlangıcı
• <eos>: metin sonu
• <|system|>: sistem mesajı
• <|user|>: kullanıcı mesajı
• <|assistant|>: asistan mesajı

Kullanım

from transformers import AutoTokenizer

repo_id = "kiyran/bilgisayarli-goru-bpe-tokenizer"

tokenizer = AutoTokenizer.from_pretrained(
    repo_id
)

text = "Bilgisayarlı görü nedir?"

encoding = tokenizer(
    text,
    add_special_tokens=True
)

print(encoding["input_ids"])
print(
    tokenizer.convert_ids_to_tokens(
        encoding["input_ids"]
    )
)

Önemli not

Bu tokenizer, mevcut Qwen3 modelinin tokenizer'ının doğrudan yerine kullanılmamalıdır. Tokenizer'ın vocabulary yapısına göre yeni bir modelin embedding katmanı oluşturulmalı veya model bu tokenizer ile yeniden eğitilmelidir.