Bilgisayarlı görüde kullanılan yapay zekâ öğrenme tekniklerinin türleri

Makine öğrenimi, bilgisayarların her görev için ayrıntılı programlamaya ihtiyaç duymadan verilerden öğrenerek kendi başlarına karar vermesine 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 kritik 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 öğrenimini kullanır. Makine öğrenimindeki gelişmelerin etkisiyle bilgisayarlı görü küresel pazar değerinin 2032 yılına kadar yaklaşık 175,72 milyar dolara ulaşacağı tahmin edilmektedir.

Bu makalede, bilgisayarlı görüde kullanılan denetimli, denetimsiz, pekiştirmeli ve transfer öğrenimi gibi farklı makine öğrenimi türlerine ve her birinin farklı uygulamalardaki rolüne bakacağız. Haydi başlayalım!

Bilgisayarlı görüde makine öğrenimine genel bakış#

Bilgisayarlı görü, görsel bilgileri yorumlayıp analiz etmek için özellikle derin öğrenme ve sinir ağları gibi tekniklere dayanır. Bu yöntemler, bilgisayarların görüntülerde nesne algılama, görüntüleri kategorilerine göre sınıflandırma ve yüz tanıma gibi bilgisayarlı görü görevlerini gerçekleştirmesini mümkün kılar. Makine öğrenimi, üretimde kalite kontrolü ve sağlık hizmetlerinde tıbbi görüntüleme gibi gerçek zamanlı bilgisayarlı görü uygulamaları için de gereklidir. Bu durumlarda sinir ağları, tümörleri algılamak için beyin taramalarını analiz etmek gibi karmaşık görsel verileri bilgisayarların yorumlamasına yardımcı olur.

Aslında Ultralytics YOLO11 gibi birçok gelişmiş bilgisayarlı görü modeli sinir ağları temel alınarak oluşturulur.

Şekil 1. Ultralytics YOLO11 kullanarak beyin taramalarında segmentasyon.

Makine öğreniminde denetimli öğrenme, denetimsiz öğrenme, transfer öğrenimi ve pekiştirmeli öğrenme gibi çeşitli öğrenme yöntemleri, bilgisayarlı görüde mümkün olanların sınırlarını zorluyor. Aşağıdaki bölümlerde, bilgisayarlı görüye nasıl katkı sağladıklarını anlamak için bu türlerin her birini inceleyeceğiz.

Denetimli öğrenmeyi keşfetme#

Denetimli öğrenme, en yaygın kullanılan makine öğrenimi türüdür. Denetimli öğrenmede modeller, etiketli veriler kullanılarak eğitilir. Her girdi doğru çıktıyla etiketlenir ve bu, modelin öğrenmesine yardımcı olur. Bir öğretmenden öğrenen bir öğrenciye benzer şekilde, bu etiketli veriler bir rehber veya denetçi görevi görür.

Eğitim sırasında modele hem girdi verileri (işlemesi gereken bilgiler) hem de çıktı verileri (doğru yanıtlar) verilir. Bu düzenek, modelin girdiler ve çıktılar arasındaki bağlantıyı öğrenmesine yardımcı olur. Denetimli öğrenmenin temel amacı, modelin her girdiyi doğru çıktısına doğru şekilde bağlayan bir kural veya örüntü keşfetmesidir. Bu eşleme sayesinde model, yeni verilerle karşılaştığında doğru tahminler yapabilir. Örneğin bilgisayarlı görüde yüz tanıma, yüzleri öğrenilen bu örüntülere göre belirlemek için denetimli öğrenmeye dayanır.

Bunun yaygın bir kullanımı, 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 telefonunun kilidini açmak için yüz tanıma kullanılabilir.

Yapay zekâda denetimsiz öğrenme nasıl çalışır?#

Denetimsiz öğrenme, etiketsiz verileri kullanan bir makine öğrenimi türüdür; model, eğitim sırasında herhangi bir yönlendirme veya doğru yanıt almaz. Bunun yerine 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 için kullanılır ve veriler içindeki bağlantıların ortaya çıkarılmasına yardımcı olur (örneğin, pazar sepeti analizinde birlikte sıkça satın alınan ürünleri bulmak).
• Boyut indirgeme: Gereksiz özellikleri kaldırarak veri kümelerini basitleştirir; bu da görselleştirme ve işlemeyi kolaylaştırır.

Denetimsiz öğrenmenin önemli bir uygulaması, görsel kaliteyi etkilemeden görüntü boyutunu küçültmek için k-ortalama kümeleme gibi tekniklerin kullanıldığı görüntü sıkıştırmadır. Pikseller kümeler halinde gruplanır 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 sıkıştırmaya bir örnek.

Ancak denetimsiz öğrenmenin bazı sınırlamaları da vardır. Önceden tanımlanmış yanıtlar olmadan doğruluk ve performans değerlendirmesi konusunda zorlanabilir. Sonuçları yorumlamak ve grupları etiketlemek için genellikle manuel çaba gerekir; ayrıca eksik değerler ve gürültü gibi sorunlara duyarlıdır ve bunlar sonuçların kalitesini etkileyebilir.

Pekiştirmeli öğrenmenin 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 ajanlarını kullanır.

Süreç üç temel bileşenden oluşur:

• Ajan: Öğrenen veya karar verici.
• Ortam: Gerçek veya sanal olabilen ve ajanın etkileşime girdiği her şey.
• Ödül sinyali: Her eylemden sonra verilen ve ajanı hedefe yönlendiren sayısal değer.

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

Pekiştirmeli öğrenme, otonom sürüş ve robotik gibi kullanım alanları için kritik öneme sahiptir. Otonom sürüşte araç kontrolü, nesne algılama ve kaçınma gibi görevler geri bildirime göre öğrenilir. Modeller, yayaları veya diğer nesneleri algılamak ve çarpışmayı 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 harika bir örneği, OpenAI tarafından yürütülen ve araştırmacıların popüler çok oyunculu video oyununu, Dota 2'yi oynamaları için yapay zekâ ajanlarını eğittiği projedir. Bu ajanlar, sinir ağlarını kullanarak hızlı ve stratejik kararlar vermek için oyun ortamından gelen büyük miktarda bilgiyi işledi. Sürekli geri bildirim sayesinde ajanlar zaman içinde öğrendi ve gelişti; sonunda oyunun en iyi oyuncularından bazılarını yenebilecek kadar yüksek bir beceri düzeyine ulaştı.

Şekil 4. Dota Matrix'in insan ve yapay zekâ tarafından yorumlanması.

Transfer öğreniminin temellerini anlama#

Transfer öğrenme, diğer öğrenme türlerinden farklıdır. Bir modeli eğitmek yerine, büyük bir veri kümesi üzerinde önceden eğitilmiş bir model kullanır ve modeli yeni ancak ilişkili bir görev için ince ayarlar. İlk eğitim sırasında edinilen bilgi, yeni görevin performansını artırmak için kullanılır. Transfer öğrenme, karmaşıklığına bağlı olarak yeni bir görev için gereken eğitim süresini azaltır. Modelin genel özellikleri yakalayan ilk katmanlarını koruyarak ve son katmanlarını yeni, göreve özgü katmanlarla değiştirerek çalışır.

Sanatsal stil aktarımı, bilgisayarlı görüde transfer öğreniminin ilginç bir uygulamasıdır. Bu teknik, bir modelin görüntüyü farklı sanat eserlerinin stiline uyacak şekilde dönüştürmesini sağlar. Bunu gerçekleştirmek için bir sinir ağı, sanatsal stilleriyle eşleştirilmiş geniş bir görüntü veri kümesi üzerinde önce eğitilir. Bu süreçte model, genel görüntü özelliklerini ve stil örüntülerini belirlemeyi öğrenir.

Model eğitildikten sonra belirli bir tablonun stilini yeni bir görüntüye uygulamak üzere ince ayarlanabilir. Ağ, öğrenilen stil özelliklerini korurken yeni görüntüye uyum sağlar ve özgün içeriği seçilen sanatsal stille birleştiren benzersiz bir sonuç oluşturur. Örneğin bir dağ silsilesinin fotoğrafını çekip Edvard Munch'ın Çığlık eserinin stilini uygulayabilir; böylece sahneyi koruyan ancak tablonun cesur ve etkileyici stilini yansıtan bir görüntü elde edebilirsin.

Şekil 5. Transfer öğrenimi kullanılarak sanatsal stil aktarımına bir örnek.

Makine öğrenimi türleri arasındaki farklara bakış#

Artık makine öğreniminin temel türlerini ele aldığımıza göre, farklı uygulamalar için en uygun seçeneği anlamana yardımcı olmak amacıyla her birine daha yakından bakalım.

• Denetimli öğrenme: Etiketli verilerle çalışırken oldukça doğrudur; ancak çok miktarda veri gerektirir ve gürültüye duyarlı olabilir.
• Denetimsiz öğrenme: Gizli örüntüleri bulmak amacıyla etiketsiz verileri keşfetmek için kullanışlıdır; ancak sonuçlar daha az kesin olabilir ve yorumlanması daha zor olabilir.
• Pekiştirmeli öğrenme: Ajanları karmaşık ortamlarda adım adım kararlar vermek üzere eğitir; ancak genellikle önemli ölçüde işlem gücü gerektirir.
• Transfer öğrenimi: Bu yaklaşım, eğitimi hızlandırmak ve yeni görevlerde performansı artırmak için önceden eğitilmiş modelleri kullanır; özellikle verilerin sınırlı olduğu durumlarda etkilidir.

Şekil 6. Tüm makine öğrenimi türlerinin karşılaştırması. Görsel yazara aittir.

Doğru makine öğrenimi türünü seçmek çeşitli faktörlere bağlıdır. Bol miktarda etiketli veriye ve net bir göreve sahipsen denetimli öğrenme iyi çalışır. Denetimsiz öğrenme, veri keşfi için veya etiketli örneklerin az olduğu durumlarda kullanışlıdır. Pekiştirmeli öğrenme, adım adım karar vermeyi gerektiren karmaşık görevler için idealdir; transfer öğrenimi ise verilerin sınırlı veya kaynakların kısıtlı olduğu durumlarda harika bir seçenektir. Bu faktörleri göz önünde bulundurarak bilgisayarlı görü projen için en uygun yaklaşımı seçebilirsin.

Sonuç#

Makine öğrenimi teknikleri, özellikle bilgisayarlı görü gibi alanlarda çeşitli zorlukların üstesinden gelebilir. Denetimli, denetimsiz, pekiştirmeli ve transfer öğrenimi arasındaki farkları anlayarak ihtiyaçların için en iyi yaklaşımı seçebilirsin.

Denetimli öğrenme, yüksek doğruluk ve etiketli veri gerektiren görevler için harikadır; denetimsiz öğrenme ise etiketsiz verilerde örüntüleri bulmak için idealdir. Pekiştirmeli öğrenme, karmaşık ve karar vermeye dayalı ortamlarda iyi çalışır; transfer öğrenimi ise sınırlı verilerle önceden eğitilmiş modeller üzerine geliştirme yapmak istediğinde faydalıdır.

Her yöntemin yüz tanımadan robotiğe ve sanatsal stil aktarımına kadar kendine özgü güçlü yönleri 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 araçlarda ve tarımda AI uygulamalarını keşfet. 🚀