Algılayıcılar ve sinir ağları: Bilgisayarlı görünün temel ilkeleri

Son birkaç on yılda sinir ağları, yapay zekâ (AI) alanındaki birçok önemli yeniliğin yapı taşları hâline geldi. Sinir ağları, insan beyninin karmaşık işlevlerini taklit etmeye çalışan hesaplama modelleridir. Makinelerin verilerden öğrenmesine ve bilinçli kararlar vermek için örüntüleri tanımasına yardımcı olurlar. Böylece sağlık, finans ve otonom araçlar gibi sektörlerde bilgisayarlı görü ve derin öğrenme gibi yapay zekâ alt alanlarını mümkün kılarlar.

Bir sinir ağının nasıl çalıştığını anlamak, yapay zekânın "kara kutusunu" daha iyi kavramanı sağlayabilir ve en yeni teknolojilerin günlük yaşamımıza nasıl entegre edildiğini daha anlaşılır hâle getirebilir. Bu makalede sinir ağlarının ne olduğunu, nasıl çalıştıklarını ve yıllar içinde nasıl geliştiklerini inceleyeceğiz. Ayrıca bilgisayarlı görü uygulamalarındaki rollerine de göz atacağız. Haydi başlayalım!

Yapay zekâda perseptron nedir?#

Sinir ağlarını ayrıntılı olarak ele almadan önce perseptronlara göz atalım. Perseptronlar, en temel sinir ağı türüdür ve daha karmaşık modellerin oluşturulmasının temelini oluşturur.

Perseptron, denetimli öğrenme (etiketli eğitim verilerinden öğrenme) için kullanılan doğrusal bir makine öğrenmesi algoritmasıdır. Tek katmanlı sinir ağı olarak da bilinir ve genellikle iki veri sınıfını birbirinden ayıran ikili sınıflandırma görevlerinde kullanılır. Bir perseptronu zihninde canlandırmaya çalışıyorsan, onu tek bir yapay nöron olarak düşünebilirsin.

Şekil 1. Perseptron, tek bir yapay nörondur.

Perseptronun nasıl çalıştığını anlama#

Bir perseptron, çeşitli girdiler alabilir, bunları ağırlıklarla birleştirebilir, hangi kategoriye ait olduklarına karar verebilir ve basit bir karar verici olarak görev yapabilir. Dört temel parametreden oluşur: girdi değerleri (düğümler olarak da adlandırılır), ağırlıklar ve yanlılıklar, net toplam ve aktivasyon fonksiyonu.

Nasıl çalıştığına bakalım:

• Girdiler ve ağırlıklar: Birkaç bilgi parçasına (girdiye) sahip olduğunu ve her birinin ne kadar önemli olduğunu gösteren bir ağırlık taşıdığını varsayalım. Buna ek olarak yanlılık, karar verirken perseptronun daha esnek olmasına yardımcı olur.
• Ağırlıklı toplamı hesaplama: Perseptron her girdiyi ağırlığıyla çarpar ve ardından yanlılık da dâhil olmak üzere her şeyi toplayarak ağırlıklı toplamı elde eder.
• Karar verme: Ardından perseptron, nihai çıktıyı belirlemek için bir aktivasyon fonksiyonu kullanır. Ağırlıklı toplamı alır ve perseptronun etkinleşip etkinleşmemesi gerektiğine karar verir. En basit durumda aktivasyon fonksiyonu, ağırlıklı toplam belirli bir eşik değerinin üzerindeyse bir, değilse sıfır çıktısı veren bir basamak fonksiyonudur. Böylece ağırlıklı girdi, evet veya hayır kararına dönüştürülür.
• Öğrenme ve gelişme: Perseptron bir hata yaparsa, bir sonraki sefer gelişmeye çalışmak için ağırlıkları ayarlar. Bu süreç, modelin hatalarından öğrenmesine yardımcı olur.

Şekil 2. Bir Perseptrona Genel Bakış. kaynak: indiantechwarrior.com

Bilgisayarlı görmede perseptronların rolü#

Perseptronlar, bilgisayarlı görünün temellerini anlamamıza yardımcı olmada önemli bir rol oynar. Gelişmiş sinir ağlarının temelini oluştururlar. Perseptronların aksine sinir ağları tek bir katmanla sınırlı değildir. Birbirine bağlı birden fazla perseptron katmanından oluşurlar; bu da karmaşık doğrusal olmayan örüntüleri öğrenmelerini sağlar. Sinir ağları daha gelişmiş görevleri gerçekleştirebilir ve hem ikili hem de sürekli çıktılar üretebilir. Örneğin sinir ağları, örnek bölütleme ve poz tahmini gibi gelişmiş bilgisayarlı görü görevlerinde kullanılabilir.

Sinir ağlarından bilgisayarlı görü teknolojisinin gelişimine#

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

İlk dönüm noktalarına hızlıca göz atalım:

• 1940'lar: Warren McCulloch ve Walter Pitts, beynin çalışma şeklini taklit eden basit bir devre geliştirdi.
• 1958: Rosenblatt, perseptronu tanıttı.
• 1970'ler: Paul Werbos, geri yayılım kavramını (bir sinir ağının tahmin edilen ve gerçek çıktılar arasındaki farkı en aza indirerek öğrenmesine yardımcı olan bir eğitim yöntemi) ortaya attı. Geri yayılım, çok katmanlı sinir ağlarının eğitilmesini mümkün kıldı ve derin öğrenmenin önünü açtı.
• 1980'ler: Geoffrey Hinton ve Yann LeCun gibi araştırmacılar, birbirine bağlı birimlerden oluşan ağların bilişsel süreçler oluşturabilmesini konu alan bağlantıcılığı inceledi. Çalışmaları, modern sinir ağlarının temelini attı.
• 1990'lar: Jürgen Schmidhuber ve Sepp Hochreiter, dizi tahmini içeren görevler için vazgeçilmez hâle gelen uzun kısa süreli bellek (LSTM) ağını önerdi.

Şekil 3. Sinir Ağlarının Gelişimi.

yüzyıla girerken sinir ağları üzerine yapılan araştırmalar hız kazandı ve daha büyük ilerlemelere yol açtı. 2000'lerde Hinton'ın verilerdeki örüntüleri bulan bir sinir ağı türü olan kısıtlı Boltzmann makineleri üzerine çalışması, derin öğrenmenin ilerlemesinde önemli bir rol oynadı. Bu çalışma, derin ağların eğitilmesini kolaylaştırarak karmaşık modellerle ilgili zorlukların aşılmasına yardımcı oldu ve derin öğrenmeyi daha pratik ve etkili hâle getirdi.

Ardından 2010'larda büyük verinin ve paralel hesaplamanın yükselişi sayesinde araştırmalar hızla ivmelendi. Bu dönemin öne çıkan gelişmelerinden biri, AlexNet'in ImageNet yarışmasını kazanmasıydı (2012). Derin bir evrişimli sinir ağı olan AlexNet, görüntüleri doğru şekilde tanıma gibi bilgisayarlı görü görevlerinde derin öğrenmenin ne kadar güçlü olabileceğini gösterdiği için önemli bir dönüm noktasıydı. Görsel tanımada yapay zekânın hızlı büyümesini tetiklemeye yardımcı oldu.

Günümüzde sinir ağları, dizileri anlamada başarılı olan Transformer'lar ve verilerdeki karmaşık ilişkilerle iyi çalışan grafik sinir ağları gibi yeni yeniliklerle gelişmeye devam ediyor. Aktarım öğrenmesi (bir görevde eğitilmiş bir modelin başka bir görev için kullanılması) ve modellerin etiketli verilere ihtiyaç duymadan öğrendiği öz-denetimli öğrenme gibi teknikler de sinir ağlarının yapabileceklerini genişletiyor.

Sinir ağlarını anlamak: Temel bilgiler#

Temel konuları ele aldığımıza göre şimdi sinir ağının tam olarak ne olduğunu anlayalım. Sinir ağları, insan beynini andıran katmanlı bir yapı içinde birbirine bağlı düğümler veya nöronlar kullanan bir makine öğrenmesi modeli türüdür. Bu düğümler veya nöronlar verileri işler ve onlardan öğrenir; böylece örüntü tanıma gibi görevleri gerçekleştirebilirler. Ayrıca sinir ağları uyarlanabilirdir; bu nedenle hatalarından öğrenebilir ve zaman içinde gelişebilirler. Bu özellik, yüz tanıma gibi karmaşık sorunları daha doğru şekilde ele almalarını sağlar.

Şekil 4. Bir Sinir Ağı.

Sinir ağları, katmanlar hâlinde düzenlenmiş ve paralel çalışan birden fazla işlemciden oluşur. Bir girdi katmanı, bir çıktı katmanı ve aralarında birkaç gizli katman bulunur. Girdi katmanı, optik sinirlerimizin görsel bilgileri almasına benzer şekilde ham verileri alır.

Her katman, doğrudan özgün girdiyle çalışmak yerine çıktısını bir sonraki katmana aktarır; bu, beyindeki nöronların birbirlerine sinyal göndermesine benzer. Son katman, ağın çıktısını üretir. Bu süreç sayesinde yapay sinir ağı (ANN), görüntü sınıflandırma gibi bilgisayarlı görü görevlerini gerçekleştirmeyi öğrenebilir.

Bilgisayarlı görmede sinir ağlarının endüstriyel bir uygulaması#

Sinir ağlarının ne olduğunu ve nasıl çalıştığını anladığımıza göre, sinir ağlarının bilgisayarlı görmedeki potansiyelini ortaya koyan bir uygulamaya göz atalım.

Enerji sektöründe elektrik hatlarının denetlenmesi#

Sinir ağları, Ultralytics YOLO11 gibi bilgisayarlı görü modellerinin temelini oluşturur ve dronlar kullanılarak elektrik hatlarının görsel olarak denetlenmesinde kullanılabilir. Kamu hizmetleri sektörü, geniş elektrik hattı ağlarını denetleme ve bakımını yapma konusunda lojistik zorluklarla karşı karşıyadır. Bu hatlar genellikle yoğun kentsel alanlardan uzak ve engebeli arazilere kadar uzanır. Geleneksel olarak bu denetimler saha ekipleri tarafından gerçekleştirilirdi. Etkili olsalar da bu manuel yöntemler maliyetli ve zaman alıcıdır; ayrıca çalışanları çevresel ve elektrik kaynaklı tehlikelere maruz bırakabilir. Araştırmalar, elektrik hattı çalışmalarının Amerika'daki en tehlikeli on meslek arasında olduğunu ve yıllık ölüm oranının 100.000 çalışan başına 30 ila 50 olduğunu gösteriyor.

Bununla birlikte drone denetim teknolojisi, hava denetimlerini daha uygulanabilir ve uygun maliyetli bir seçenek hâline getirebilir. En yeni teknoloji, dronların denetimler sırasında sık sık pil değiştirmeye gerek kalmadan daha uzun mesafeler uçmasını sağlar. Günümüzde birçok drone, yapay zekâ ile entegre olarak gelir ve otomatik engellerden kaçınma özellikleriyle daha iyi arıza tespit yeteneklerine sahiptir. Bu özellikler, çok sayıda elektrik hattının bulunduğu kalabalık alanları denetlemelerini ve daha uzak mesafelerden yüksek kaliteli görüntüler yakalamalarını sağlar. Birçok ülke, elektrik hattı denetimi görevlerinde dronları ve bilgisayarlı görüyü kullanmaya başlıyor. Örneğin Estonya'da tüm elektrik hattı denetimlerinin %100'ü bu tür dronlarla gerçekleştiriliyor.

Şekil 5. Elektrik hatlarını denetlemek için dronları ve yapay zekâ araçlarını kullanan bir teknisyen (soldaki görüntü) ve kullandığı drone (sağdaki görüntü) (suasnews).

Önemli çıkarımlar#

Sinir ağları, araştırmalardan uygulamalara uzanan uzun bir yol kat ederek modern teknolojik gelişmelerin önemli bir parçası hâline geldi. Makinelerin öğrendiklerini kullanarak öğrenmesini, örüntüleri tanımasını ve bilinçli kararlar vermesini sağlarlar. Sağlık ve finanstan otonom araçlara ve üretime kadar bu ağlar yeniliği teşvik ediyor ve sektörleri dönüştürüyor. Sinir ağı modellerini keşfetmeye ve geliştirmeye devam ettikçe, bu modellerin günlük yaşamımızın ve iş operasyonlarımızın daha fazla yönünü yeniden tanımlama potansiyeli giderek daha belirgin hâle geliyor.

Daha fazlasını keşfetmek için GitHub depomuzu ziyaret et ve topluluğumuza katıl. Çözümler sayfalarımızda üretim ve tarım alanlarındaki yapay zekâ uygulamalarını keşfet. 🚀