Hugging Face'in Transformer'larıyla açık kaynaklı bilgisayarlı görüye güç katmak

YOLO VISION 2023 (YV23) etkinliğinin öne çıkanlarını keşfetmeyi sürdürürken, önceden eğitilmiş modellerle dil uygulamalarının verimli biçimde geliştirilmesini sağlayan lider NLP platformu Hugging Face bünyesinde Geliştirici İlişkileri Mühendisi olan Merve Noyan ile tanışalım. Merve konuşmasında açık kaynaklı bilgisayarlı görü dünyasına dair görüşlerini paylaştı.

İşte aktararak öğrenme, Transformer'lar ve açık kaynaklı bilgisayarlı görü ekosistemi üzerine konuşmasının özeti.

Aktarım öğrenimini keşfetmek: Kısa bir özet#

Merve konuşmasına, bilgiyi bir sinir ağından diğerine aktaran bir teknik olan aktararak öğrenmeye dair kısa bir girişle başladı. Kenarlar ve köşeler gibi genel özellikler üzerinde ilk katmanlarda bir model eğittiğini, ardından belirli görevler için ince ayar yaptığını düşün. Veri bağımlılığını azaltıp doğruluğu artıran aktararak öğrenmenin özü budur.

Merve, ResNet ve Inception gibi klasik evrişimli omurga ağlarını öne çıkararak ardından gelen Transformer modelleri için zemin hazırladı.

Transformer'lara geçiş: Bir bilmecenin çözülüşü#

Transformer modellerini özel kılan nedir? Merve, bu modellerin geleneksel evrişim tabanlı modellerden nasıl ayrıldığını gösteren bir bilmeceyle konuyu açıkladı. Temel güçlü yanlarından biri, etiketli verilere ihtiyaç duymadan öznitelikleri yakalayarak öz denetimli öğrenme yapabilmeleridir. Tanıttığı Transformer tabanlı modeller arasında Vision Transformer, Veri Verimli Görüntü Transformer'ı (DeiT), CLIP ve Swin Transformer vardı.

Ultralytics, nesne tespiti için tasarlanmış bir Transformer modelini, RT-DETR'yi de destekliyor. Bu model; etkili bir hibrit kodlayıcıya, IoU farkındalıklı sorgu seçimine ve ayarlanabilir çıkarım hızına sahiptir. Özellikle diğer Ultralytics YOLOv8 modellerine aşina olan iş akışını izleyerek tahmin, eğitim, doğrulama ve dışa aktarma seçenekleri sunar.

Tek noktadan tüm ihtiyaçların için#

Merve daha sonra Hugging Face'in sunduklarını anlattı: klasik bilgisayarlı görü görevleri için 8.000'den fazla model ve çok modlu uygulamalar için 10.000 model. Hugging Face Hub'da 3.000'den fazla veri kümesi bulunuyor; bu da geliştiriciler ve meraklılar için kullanışlı bir kaynak oluşturuyor. Merve, farklı kullanım durumlarına yönelik kullanıma hazır modeller sunan Hugging Face'in tutarlı API'si sayesinde deneyimin sorunsuz olduğunu vurguladı.

Hugging Face ile uygulamalı çalışmalar#

Konuşma, modellerle çalışmanın ne kadar kolay olduğunu gösteren uygulamalı demolarla devam etti. Merve, model ve işlemci örnekleri oluşturmaktan Trainer API ile ince ayar yapmaya kadar Hugging Face Transformers kütüphanesinin geliştiriciler düşünülerek tasarlandığını açıkça gösterdi. Ayrıca kullanıcıların iş akışını basitleştiren ve kişisel favorisi olan Pipeline API'yi de tanıttı.

Şekil 1. Merve Noyan'ın Madrid'deki Google for Startups Campus'te YV23 sunumu.

Uygulamalara bir bakış#

Merve, görsel soru yanıtlama modeli, görüntü açıklaması oluşturmak için BLIP ve görüntü segmentasyonu için Segment Anything Model dâhil olmak üzere birkaç uygulamadan söz ederek sunumunu tamamladı. Hugging Face Ekosistemi'nin Pipeline API'si öne çıktı ve teknik ayrıntılara derinlemesine dalmadan modelleri kullanmayı kolaylaştırdı.

Sunumun en ilgi çekici kısmı, Merve'nin bir difüzyon modeliyle optik illüzyonlar oluşturmayı göstermesiydi; bu büyüleyici deneyim yapay zekâ dünyasına eğlenceli bir dokunuş kattı.

Özetle!#

Sonuç olarak Merve'nin konuşması, açık kaynaklı bilgisayarlı görünün neler yapabileceğini keşfetme konusunda bize ilham verdi. Hugging Face, geliştiricilerin fikirlerini hayata geçirmesine yardımcı olarak yapay zekâyı daha erişilebilir ve eğlenceli hâle getirdi. Açık kaynaklı topluluğun geleceğine ve beraberinde getireceği yeniliklere!

Hugging Face'in bilgisayarlı görü konuşmasının tamamını izle!