Bilgisayarlı görüde kullanılan yapay zekâ öğrenme teknikleri türleri

Makine öğrenimi, bilgisayarların her görev için ayrıntılı programlama gerektirmeden verilerden öğrenip kendi başlarına karar vermelerine yardımcı olan bir yapay zekâ (AI) türüdür. Verilerdeki örüntüleri belirleyebilen algoritmik modeller oluşturmayı içerir. Bu algoritmalar, verilerdeki örüntüleri belirleyip bunlardan öğrenerek performanslarını zaman içinde kademeli olarak iyileştirebilir.

Makine öğreniminin önemli bir rol oynadığı alanlardan biri, görsel verilere odaklanan bir yapay zekâ alanı olan bilgisayarlı görüdür. Bilgisayarlı görü, bilgisayarların görüntü ve videolardaki örüntüleri algılayıp tanımasına yardımcı olmak için makine öğreniminden yararlanır. Makine öğrenimindeki gelişmelerin etkisiyle bilgisayarlı görünün küresel pazar değerinin 2032’ye kadar yaklaşık 175,72 milyar dolara ulaşacağı tahmin ediliyor.

Bu yazıda denetimli, denetimsiz, pekiştirmeli ve transfer öğrenmesi dahil olmak üzere bilgisayarlı görüde kullanılan farklı makine öğrenimi türlerini ve her birinin çeşitli uygulamalardaki rolünü inceleyeceğiz.

Bilgisayarlı görüde makine öğrenimine genel bakış#

Bilgisayarlı görü, görsel bilgileri yorumlayıp analiz etmek için özellikle derin öğrenme ve sinir ağları gibi makine öğrenimi tekniklerinden yararlanır. Bu yöntemler, bilgisayarların görüntülerdeki nesneleri algılama, görüntüleri kategorilere göre sınıflandırma ve yüzleri tanıma gibi bilgisayarlı görü görevlerini gerçekleştirmesini sağlar. Makine öğrenimi; üretimde kalite kontrol ve sağlık hizmetlerinde tıbbi görüntüleme gibi gerçek zamanlı bilgisayarlı görü uygulamaları için de vazgeçilmezdir. Bu durumlarda sinir ağları, beyin taramalarını analiz ederek tümörleri algılamak gibi karmaşık görsel verileri bilgisayarların yorumlamasına yardımcı olur.

Aslında, Ultralytics YOLO11 gibi birçok gelişmiş bilgisayarlı görü modeli sinir ağları üzerine kuruludur.

Şekil 1. Ultralytics YOLO11 kullanarak beyin taramalarını segmentlere ayırma.

Makine öğreniminde denetimli öğrenme, denetimsiz öğrenme, pekiştirmeli öğrenme ve transfer öğrenimi gibi çeşitli öğrenme yöntemleri, bilgisayarlı görüde nelerin mümkün olduğunu şekillendirir. Aşağıdaki bölümlerde, bilgisayarlı görüye nasıl katkıda bulunduklarını anlamak için bu yöntemlerin her birini inceleyeceğiz.

Denetimli öğrenmeyi inceleme#

Denetimli öğrenme, makine öğreniminin en yaygın kullanılan türüdür. Denetimli öğrenmede modeller, etiketlenmiş veriler kullanılarak eğitilir. Modelin öğrenmesine yardımcı olmak için her girdi doğru çıktıyla etiketlenir. Bir öğrencinin öğretmeninden öğrenmesine benzer şekilde, bu etiketli veriler bir rehber ya da gözetmen görevi görür.

Eğitim sırasında modele hem girdi verileri (işlemesi gereken bilgiler) hem de çıktı verileri (doğru yanıtlar) verilir. Bu düzen, modelin girdiler ile çıktılar arasındaki bağlantıyı öğrenmesine yardımcı olur. Denetimli öğrenmenin temel amacı, modelin her girdiyi doğru çıktısına isabetli biçimde bağlayan bir kural ya da örüntü keşfetmesidir. Bu eşleştirme sayesinde model, yeni verilerle karşılaştığında isabetli tahminler yapabilir. Örneğin bilgisayarlı görüde yüz tanıma, öğrenilen bu örüntülere dayanarak yüzleri belirlemek için denetimli öğrenmeden yararlanır.

Bunun yaygın bir örneği, akıllı telefonunun kilidini yüz tanımayla açmaktır. Model, yüzünün etiketli görüntüleriyle eğitilir; böylece telefonunun kilidini açmaya çalıştığında canlı görüntüyü öğrendikleriyle karşılaştırır. Eşleşme algılarsa telefonunun kilidi açılır.

Şekil 2. Akıllı telefonun kilidini açmak için yüz tanıma kullanılabilir.

AI'da denetimsiz öğrenme nasıl çalışır?#

Denetimsiz öğrenme, etiketsiz veriler kullanan bir makine öğrenimi türüdür; eğitim sırasında modele herhangi bir yönlendirme veya doğru yanıt verilmez. Bunun yerine model, örüntüleri ve içgörüleri kendi başına keşfetmeyi öğrenir.

Denetimsiz öğrenme, örüntüleri üç temel yöntemle belirler:

• Kümeleme: Benzer veri noktalarını bir araya getirir. Benzer müşterilerin davranışlarına veya özelliklerine göre gruplandırılabildiği müşteri segmentasyonu gibi görevlerde kullanışlıdır.
• Birliktelik: Öğeler arasındaki ilişkileri belirlemek ve verilerdeki bağlantıları ortaya çıkarmak için kullanılır (örneğin, yaygın bir veri madenciliği tekniği olan sepet analizinde birlikte satın alınan ürünleri bulmak).
• Boyut indirgeme: Gereksiz özellikleri kaldırarak veri kümelerini basitleştirir; bu da görselleştirme ve işlemeyi kolaylaştırır.

Denetimsiz öğrenmenin önemli uygulamalarından biri, görsel kaliteyi etkilemeden görüntü boyutunu küçülten k-means kümeleme gibi tekniklerin kullanıldığı görüntü sıkıştırmadır. Pikseller kümeler hâlinde gruplandırılır ve her küme ortalama bir renkle temsil edilir; böylece daha az renk ve daha küçük dosya boyutuna sahip bir görüntü elde edilir.

Şekil 3. Denetimsiz görüntü sıkıştırma örneği.

Ancak denetimsiz öğrenmenin bazı sınırlamaları da vardır. Önceden tanımlanmış yanıtlar olmadığında doğruluk ve performans değerlendirmesinde zorlanabilir. Sonuçları yorumlamak ve grupları etiketlemek çoğu zaman elle çaba gerektirir; ayrıca eksik değerler ve gürültü gibi sorunlara duyarlıdır. Bu sorunlar sonuçların kalitesini etkileyebilir.

Pekiştirmeli öğrenme açıklaması#

Denetimli ve denetimsiz öğrenmeden farklı olarak, pekiştirmeli öğrenme eğitim verilerine dayanmaz. Bunun yerine belirli bir hedefe ulaşmak için bir ortamla etkileşime giren sinir ağı ajanları kullanır.

Süreç üç temel bileşenden oluşur:

• Ajan: Öğrenen veya karar veren.
• Ortam: Gerçek veya sanal olabilen, ajanın etkileşim kurduğu her şey.
• Ödül sinyali: Her eylemden sonra verilen ve ajanı hedefe yönlendiren sayısal bir değer.

Ajan eylemlerde bulundukça ortamı etkiler ve ortam da buna geri bildirimle yanıt verir. Bu geri bildirim, ajanın seçimlerini değerlendirmesine ve davranışını ayarlamasına yardımcı olur. Ödül sinyali, ajanın hangi eylemlerin onu hedefine yaklaştırdığını anlamasını sağlar.

Pekiştirmeli öğrenme, otonom sürüş ve robotik gibi kullanım alanlarında kilit rol oynar. Otonom sürüşte araç kontrolü, nesne algılama ve engellerden kaçınma gibi görevler geri bildirimle öğrenilir. Modeller, yayaları veya diğer nesneleri algılamak ve çarpışmaları önlemek için uygun eylemi gerçekleştirmek üzere sinir ağı ajanları kullanılarak eğitilir. Benzer şekilde robotikte pekiştirmeli öğrenme, nesne manipülasyonu ve hareket kontrolü gibi görevleri mümkün kılar.

Pekiştirmeli öğrenmenin uygulamadaki bilinen örneklerinden biri, OpenAI araştırmacılarının popüler çok oyunculu video oyunu Dota 2'yi oynamaları için YZ ajanlarını eğittiği projedir. Bu ajanlar, sinir ağlarını kullanarak oyun ortamından büyük miktarda bilgiyi işledi ve hızlı, stratejik kararlar aldı. Sürekli geri bildirimle zaman içinde öğrenip gelişen ajanlar, sonunda oyunun en iyi oyuncularından bazılarını yenecek kadar yüksek bir beceri düzeyine ulaştı.

Şekil 4. Dota Matrix'in insan ve AI tarafından yorumlanması.

Aktarım öğrenmesinin temellerini anlama#

Transfer öğrenimi, diğer öğrenme türlerinden farklıdır. Bir modeli sıfırdan eğitmek yerine, büyük bir veri kümesiyle önceden eğitilmiş bir modeli alır ve yeni ama ilişkili bir görev için ince ayar yapar. İlk eğitim sırasında edinilen bilgi, yeni görevdeki performansı artırmak için kullanılır. Transfer öğrenimi, görevin karmaşıklığına bağlı olarak yeni bir görev için gereken eğitim süresini azaltır. Modelin genel özellikleri yakalayan ilk katmanlarını koruyarak ve son katmanlarını yeni göreve yönelik katmanlarla değiştirerek çalışır.

Sanatsal stil aktarımı, bilgisayarlı görüde transfer öğreniminin ilgi çekici bir uygulamasıdır. Bu teknik, bir modelin görüntüyü farklı sanat eserlerinin tarzına uyacak şekilde dönüştürmesini sağlar. Bunun için önce bir sinir ağı, görüntülerle bu görüntülerin sanatsal tarzlarını eşleştiren büyük bir veri kümesi üzerinde eğitilir. Bu süreçte model, genel görüntü özelliklerini ve tarz örüntülerini belirlemeyi öğrenir.

Model eğitildikten sonra, belirli bir tablonun tarzını yeni bir görüntüye uygulamak için ince ayar yapılabilir. Ağ, öğrenilmiş stil özelliklerini korurken yeni görüntüye uyum sağlar ve özgün içeriği seçilen sanatsal tarzla birleştiren benzersiz bir sonuç oluşturur. Örneğin, bir dağ silsilesinin fotoğrafını çekip Edvard Munch'ın Çığlık tablosunun tarzını uygulayabilir; böylece sahneyi yansıtan, ancak tablonun cesur ve etkileyici tarzını taşıyan bir görüntü elde edebilirsin.

Şekil 5. Aktarım öğrenmesiyle sanatsal stil aktarımı örneği.

Makine öğrenimi türleri arasındaki farklara bakış#

Makine öğreniminin temel türlerini ele aldığımıza göre, farklı uygulamalar için en uygun olanı anlamana yardımcı olmak üzere her birine daha yakından bakalım.

• Denetimli öğrenme: Etiketli verilerle çalışırken yüksek doğruluk sağlar; ancak çok miktarda veri gerektirir ve gürültüye duyarlı olabilir.
• Denetimsiz öğrenme: Gizli örüntüleri bulmak için etiketsiz verileri keşfetmede kullanışlıdır; ancak sonuçlar daha az kesin olabilir ve yorumlanması daha zor olabilir.
• Pekiştirmeli öğrenme: Ajanları karmaşık ortamlarda adım adım kararlar almaları için eğitir; ancak çoğu zaman önemli ölçüde işlem gücü gerektirir.
• Aktarım öğrenmesi: Bu yaklaşım, özellikle verinin sınırlı olduğu durumlarda, eğitimi hızlandırmak ve yeni görevlerde performansı artırmak için önceden eğitilmiş modellerden yararlanır.

Şekil 6. Tüm makine öğrenimi türlerinin karşılaştırması. Görselin sahibi: yazar.

Doğru makine öğrenimi türünü seçmek çeşitli etkenlere bağlıdır. Bol miktarda etiketli verin ve açıkça tanımlanmış bir görevin varsa denetimli öğrenme iyi sonuç verir. Denetimsiz öğrenme, verileri keşfetmek veya etiketli örneklerin az olduğu durumlar için kullanışlıdır. Pekiştirmeli öğrenme, adım adım karar vermeyi gerektiren karmaşık görevler için idealdir; aktarım öğrenmesi ise verinin sınırlı olduğu veya kaynakların kısıtlı olduğu durumlarda öne çıkar. Bu etkenleri göz önünde bulundurarak bilgisayarlı görü projen için en uygun yaklaşımı seçebilirsin.

Kapanış#

Makine öğrenimi teknikleri, özellikle bilgisayarlı görü gibi alanlarda çeşitli zorlukların üstesinden gelebilir. Denetimli, denetimsiz, pekiştirmeli ve aktarım öğrenmesi gibi farklı türleri anlayarak ihtiyaçlarına en uygun yaklaşımı seçebilirsin.

Denetimli öğrenme, yüksek doğruluk ve etiketli veri gerektiren görevler için uygundur; denetimsiz öğrenme ise etiketsiz verilerde örüntüler bulmak için idealdir. Pekiştirmeli öğrenme, karmaşık ve karar vermeye dayalı ortamlarda iyi sonuç verir; sınırlı veriyle önceden eğitilmiş modeller üzerine yeni çalışmalar yapmak istediğinde aktarım öğrenmesi faydalıdır.

Her yöntemin yüz tanımadan robotik uygulamalara ve sanatsal stil aktarımına uzanan kendine özgü güçlü yanları ve uygulamaları vardır. Doğru türü seçmek; sağlık, otomotiv ve eğlence gibi sektörlerde yeni olanakların önünü açabilir.

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