Perseptronlar ve sinir ağları: Bilgisayarlı görünün temel prensipleri

Over the last few decades, neural networks have become the building blocks of many key artificial intelligence (AI) innovations. Neural networks are computational models that attempt to mimic the complex functions of the human brain. They help machines learn from data and recognize patterns to make informed decisions. By doing so, they enable subfields of AI like computer vision and deep learning in sectors like healthcare, finance, and self-driving cars.

Bir sinir ağının nasıl çalıştığını anlamak, YZ'nin ne olduğu konusundaki "kara kutu" algını netleştirebilir ve en son teknolojinin günlük yaşamlarımıza nasıl entegre edildiğini anlamana yardımcı olabilir. Bu makalede sinir ağlarının ne olduğunu, nasıl çalıştıklarını ve yıllar içinde nasıl evrildiklerini keşfedeceğiz. Ayrıca bilgisayarlı görü uygulamalarındaki rollerine de göz atacağız. Hadi başlayalım!

Link to this sectionYZ'de algılayıcı (perceptron) nedir?#

Sinir ağlarını detaylıca tartışmadan önce algılayıcılara bir göz atalım. Bunlar en temel sinir ağı türüdür ve daha karmaşık modeller oluşturmanın temelini oluştururlar.

A perceptron is a linear machine learning algorithm used for supervised learning (learning from labeled training data). It is also known as a single-layer neural network and is typically used for binary classification tasks that differentiate between two classes of data. If you are trying to visualize a perceptron, you can think of it as a single artificial neuron.

Şekil 1. Algılayıcı tek bir yapay nörondur.

Link to this sectionBir algılayıcının nasıl çalıştığını anlamak#

Bir algılayıcı birden fazla girdi alabilir, bunları ağırlıklarla birleştirebilir, hangi kategoriye ait olduklarına karar verebilir ve basit bir karar verici olarak hareket edebilir. Dört ana parametreden oluşur: girdi değerleri (düğümler olarak da adlandırılır), ağırlıklar ve sapmalar, net toplam ve bir aktivasyon fonksiyonu.

İşte çalışma şekli:

• Girdiler ve ağırlıklar: Diyelim ki elinde birkaç parça bilgi (girdi) var ve her birinin ne kadar önemli olduğunu gösteren bir ağırlığı var. Buna ek olarak, sapma algılayıcının karar verme konusunda daha esnek olmasına yardımcı olur.
• Ağırlıklı toplamı hesaplama: Algılayıcı, her girdiyi kendi ağırlığıyla çarpar ve ardından ağırlıklı bir toplama ulaşmak için sapma dahil her şeyi toplar.
• Karar verme: Daha sonra algılayıcı, nihai çıktıyı belirlemek için bir aktivasyon fonksiyonu kullanır. Ağırlıklı toplamı alır ve algılayıcının aktive olup olmayacağına karar verir. En basit durumda aktivasyon fonksiyonu, ağırlıklı toplam belirli bir eşiğin üzerindeyse bir, değilse sıfır çıktısı veren bir basamak fonksiyonudur. Yani, ağırlıklı girdi evet ya da hayır kararına dönüştürülür.
• Öğrenme ve iyileştirme: Algılayıcı bir hata yaparsa, bir dahaki sefere daha iyi sonuç almak için ağırlıkları ayarlar. Bu süreç, modelin hatalarından öğrenmesine yardımcı olur.

Şekil 2. Algılayıcıya Genel Bakış. kaynak: indiantechwarrior.com

Link to this sectionAlgılayıcıların bilgisayarlı görüdeki rolü#

Perceptrons play an important role in helping us understand the basics of computer vision. They are the foundation of advanced neural networks. Unlike perceptrons, neural networks are not limited to a single layer. They are made up of multiple layers of interconnected perceptrons, which lets them learn complex nonlinear patterns. Neural networks can handle more advanced tasks and produce both binary and continuous outputs. For example, neural networks can be used for advanced computer vision tasks like instance segmentation and pose estimation.

Link to this sectionSinir ağlarından bilgisayarlı görü teknolojisinin evrimi#

Sinir ağlarının tarihi birkaç on yıl öncesine dayanır ve araştırmalarla ilginç keşiflerle doludur. Bu önemli olaylardan bazılarına daha yakından bakalım.

İşte ilk dönüm noktalarına hızlı bir bakış:

• 1940'lar: Warren McCulloch ve Walter Pitts, beynin nasıl çalıştığını taklit etmek için basit bir devre geliştirdiler.
• 1958: Rosenblatt algılayıcıyı tanıttı.
• 1970'ler: Paul Werbos, backpropagation (tahmin edilen ve gerçek çıktılar arasındaki farkı en aza indirerek bir neural network'ün öğrenmesine yardımcı olan bir eğitim yöntemi) kavramını ortaya attı. Backpropagation, çok katmanlı neural network'leri train etmeyi mümkün kıldı ve deep learning için yol açtı.
• 1980'ler: Geoffrey Hinton ve Yann LeCun gibi araştırmacılar, birbirine bağlı birim ağlarının bilişsel süreçleri nasıl oluşturabileceği ile ilgili bağlantıcılık üzerine çalıştılar. Çalışmaları modern sinir ağlarının temelini oluşturdu.
• 1990'lar: Jürgen Schmidhuber ve Sepp Hochreiter, dizi tahmini içeren görevler için vazgeçilmez hale gelen uzun kısa süreli bellek (LSTM) ağını önerdiler.

Şekil 3. Sinir Ağlarının Evrimi.

yüzyıla girdiğimizde, sinir ağları üzerindeki araştırmalar hız kazandı ve daha büyük ilerlemelere yol açtı. 2000'lerde Hinton'un verilerdeki kalıpları bulan bir sinir ağı türü olan kısıtlı Boltzmann makineleri üzerindeki çalışmaları, derin öğrenmeyi ilerletmede kilit bir rol oynadı. Derin ağların eğitimini kolaylaştırdı, karmaşık modellerle ilgili zorlukların üstesinden gelmeye yardımcı oldu ve derin öğrenmeyi daha pratik ve etkili hale getirdi.

Then, in the 2010s, research rapidly accelerated due to the rise of big data and parallel computing. A highlight during this time was AlexNet's win in the ImageNet competition (2012). AlexNet, a deep convolutional neural network, was a major breakthrough because it showed how powerful deep learning could be for computer vision tasks, like accurately recognizing images. It helped spark the rapid growth of AI in visual recognition.

Today, neural networks are evolving with new innovations like transformers, which are great for understanding sequences, and graph neural networks, which work well with complex relationships in data. Techniques like transfer learning - using a model trained on one task for another - and self-supervised learning, where models learn without needing labeled data, are also expanding what neural networks can do.

Link to this sectionSinir ağlarını anlamak: Temeller#

Şimdi temelleri ele aldığımıza göre, sinir ağının tam olarak ne olduğunu anlayalım. Sinir ağları, insan beynine benzeyen katmanlı bir yapıda birbirine bağlı düğümler veya nöronlar kullanan bir makine öğrenimi modeli türüdür. Bu düğümler veya nöronlar verileri işler ve onlardan öğrenir, böylece örüntü tanıma gibi görevleri yerine getirmelerini mümkün kılar. Ayrıca, sinir ağları uyarlanabilirdir, bu nedenle hatalarından öğrenebilir ve zamanla gelişebilirler. Bu, onlara yüz tanıma gibi karmaşık sorunları daha doğru bir şekilde ele alma yeteneği kazandırır.

Şekil 4. Bir Sinir Ağı.

Sinir ağları, katmanlar halinde düzenlenmiş ve paralel çalışan birden fazla işlemciden oluşur. Bir girdi katmanı, bir çıktı katmanı ve aradaki birkaç gizli katmandan oluşurlar. Girdi katmanı, tıpkı optik sinirlerimizin görsel bilgiyi alması gibi ham verileri alır.

Each layer then passes its output to the next, rather than working directly with the original input, much like how neurons in the brain send signals from one to another. The final layer produces the network’s output. Using this process, an artificial neural network (ANN) can learn to perform computer vision tasks like image classification.

Link to this sectionBilgisayarlı görüde sinir ağlarının endüstriyel bir uygulaması#

Sinir ağlarının ne olduğunu ve nasıl çalıştığını anladığımıza göre, sinir ağlarının bilgisayarlı görüdeki potansiyelini sergileyen bir uygulamaya göz atalım.

Link to this sectionEnerji sektöründe elektrik hatlarının denetlenmesi#

Sinir ağları, Ultralytics YOLO11 gibi bilgisayarlı görü modellerinin temelini oluşturur ve dronlar kullanılarak elektrik hatlarını görsel olarak denetlemek için kullanılabilir. Kamu hizmetleri endüstrisi, kapsamlı elektrik hattı ağlarını denetleme ve bakımını yapma konusunda lojistik zorluklarla karşı karşıyadır. Bu hatlar genellikle yoğun kentsel alanlardan uzak, engebeli arazilere kadar her yere uzanır. Geleneksel olarak bu denetimler bir yer ekibi tarafından gerçekleştirilirdi. Etkili olsalar da bu manuel yöntemler maliyetlidir, zaman alıcıdır ve çalışanları çevresel ve elektriksel tehlikelere maruz bırakabilir. Araştırmalar, elektrik hattı işinin Amerika'daki en tehlikeli on işten biri olduğunu ve her 100.000 çalışan için yıllık 30 ila 50 ölüm oranı bulunduğunu göstermektedir.

Ancak, dron denetim teknolojisi, havadan denetimleri daha pratik ve uygun maliyetli bir seçenek haline getirebilir. En son teknoloji, dronların denetimler sırasında sık sık pil değiştirmeye gerek kalmadan daha uzun mesafeler uçmasını sağlar. Artık birçok dron YZ ile entegre bir şekilde gelir ve otomatik engel algılama özelliklerine ve daha iyi arıza tespit yeteneklerine sahiptir. Bu özellikler, birçok elektrik hattının bulunduğu kalabalık alanları denetlemelerini ve daha uzak mesafelerden yüksek kaliteli görüntüler yakalamalarını sağlar. Birçok ülke elektrik hattı denetim görevleri için dronların ve bilgisayarlı görünün kullanımını benimsiyor. Örneğin Estonya'da, tüm elektrik hattı denetimlerinin %100'ü bu tür dronlar tarafından yapılıyor.

Şekil 5. Elektrik hatlarını denetlemek için dron ve YZ araçlarını kullanan bir teknisyen (soldaki görüntü) ve kullandığı dron (sağdaki görüntü) (suasnews).

Link to this sectionÖne çıkanlar#

Sinir ağları, araştırmadan uygulamalara kadar çok yol kat etti ve modern teknolojik gelişmelerin önemli bir parçası haline geldi. Makinelerin öğrenmesine, kalıpları tanımasına ve öğrendiklerini kullanarak bilinçli kararlar almasına olanak tanırlar. Sağlık hizmetleri ve finanstan otonom araçlara ve üretime kadar bu ağlar, inovasyonu yönlendiriyor ve endüstrileri dönüştürüyor. Sinir ağı modellerini keşfetmeye ve iyileştirmeye devam ettikçe, günlük yaşamımızın ve iş operasyonlarımızın daha fazla yönünü yeniden tanımlama potansiyelleri giderek daha net hale geliyor.

Daha fazlasını keşfetmek için GitHub depomuzu ziyaret et ve topluluğumuzla etkileşime geç. Çözüm sayfalarımızda üretim ve tarım alanlarındaki yapay zeka uygulamalarını keşfet. 🚀