Bilgisayarlı göruda aşırı öğrenme nedir ve nasıl önlenir?

Bilgisayarlı görü modelleri desenleri tanımak, nesneleri tespit etmek ve görüntüleri analiz etmek için tasarlanmıştır. Ancak performansları, görmedikleri verilere ne kadar iyi genelleştirme yapabildiklerine bağlıdır. Genelleştirme, modelin sadece eğitildiği görüntülerde değil, yeni görüntülerde de iyi çalışma yeteneğidir. Bu modellerin eğitimindeki yaygın bir sorun, bir modelin anlamlı desenleri belirlemek yerine gereksiz gürültü dahil olmak üzere eğitim verilerinden çok fazla şey öğrendiği aşırı öğrenmedir.

Bu durum gerçekleştiğinde model, eğitim verilerinde iyi performans gösterir ancak yeni görüntülerle zorlanır. Örneğin, yalnızca yüksek çözünürlüklü ve iyi aydınlatılmış görüntüler üzerinde eğitilmiş bir nesne algılama modeli, gerçek dünya koşullarındaki bulanık veya gölgeli görüntüler sunulduğunda başarısız olabilir. Aşırı öğrenme, modelin uyarlanabilirliğini sınırlar ve otonom sürüş, tıbbi görüntüleme ve güvenlik sistemleri gibi gerçek dünya uygulamalarındaki kullanımını kısıtlar.

Bu makalede aşırı öğrenmenin ne olduğunu, neden olduğunu ve nasıl önleneceğini inceleyeceğiz. Ayrıca Ultralytics YOLO11 gibi bilgisayarlı görü modellerinin aşırı öğrenmeyi azaltmaya ve genelleştirmeyi iyileştirmeye nasıl yardımcı olduğuna da bakacağız.

Link to this sectionAşırı öğrenme nedir?#

Aşırı öğrenme, model yeni girdilere geniş çapta uygulanan desenleri öğrenmek yerine eğitim verilerini ezberlediğinde gerçekleşir. Model eğitim verilerine çok fazla odaklandığı için, daha önce görmediği yeni görüntüler veya durumlarla karşılaştığında zorlanır.

Bilgisayarlı görüde aşırı öğrenme farklı görevleri etkileyebilir. Yalnızca parlak ve net görüntüler üzerinde eğitilmiş bir sınıflandırma modeli, düşük ışık koşullarında zorlanabilir. Mükemmel görüntülerden öğrenen bir nesne algılama modeli, kalabalık veya karmaşık sahnelerde başarısız olabilir. Benzer şekilde, bir örnek bölümleme modeli kontrollü ayarlarda iyi çalışabilir ancak gölgeler veya üst üste binen nesnelerle sorun yaşayabilir.

Bu durum, modellerin kontrollü eğitim koşullarının ötesinde genelleştirme yapabilmesi gereken gerçek dünya yapay zeka uygulamalarında bir sorun haline gelir. Örneğin, sürücüsüz araçlar yayaları farklı aydınlatma koşullarında, hava durumlarında ve ortamlarda tespit edebilmelidir. Eğitim setine aşırı uyum sağlayan (overfit olan) bir model, bu tür tahmin edilemez senaryolarda güvenilir bir şekilde performans gösteremez.

Link to this sectionAşırı öğrenme ne zaman ve neden olur?#

Aşırı öğrenme genellikle dengesiz veri kümeleri, aşırı model karmaşıklığı ve aşırı eğitim nedeniyle meydana gelir. İşte temel nedenler:

• Sınırlı eğitim verisi: Küçük veri kümeleri, modellerin desenleri genelleştirmek yerine ezberlemesine neden olur. Sadece 50 kuş görüntüsü üzerinde eğitilmiş bir model, o veri kümesinin dışındaki kuş türlerini tespit etmekte zorlanabilir.
• Çok fazla parametreye sahip karmaşık modeller: Aşırı katmana ve nörona sahip derin ağlar, temel özelliklere odaklanmak yerine ince ayrıntıları ezberleme eğilimindedir.
• Veri artırma eksikliği: Kırpma, çevirme veya döndürme gibi dönüşümler olmadan, model yalnızca tam eğitim görüntülerinden öğrenebilir.
• Uzun süreli eğitim: Bir model eğitim verilerinden çok fazla kez geçerse (buna dönemler denir), genel desenleri öğrenmek yerine ayrıntıları ezberler ve bu da onu daha az uyarlanabilir hale getirir.
• Tutarsız veya gürültülü etiketler: Yanlış etiketlenmiş veriler, modelin yanlış desenleri öğrenmesine neden olur. Bu, manuel olarak etiketlenmiş veri kümelerinde yaygındır.

Model karmaşıklığına, veri kümesi kalitesine ve eğitim tekniklerine yönelik iyi dengelenmiş bir yaklaşım, daha iyi genelleştirme sağlar.

Link to this sectionAşırı öğrenme vs. yetersiz öğrenme#

Aşırı öğrenme ve yetersiz öğrenme, derin öğrenmede birbirine tamamen zıt iki sorundur.

Şekil 1. Bilgisayarlı görü modellerinde yetersiz öğrenme, optimal öğrenme ve aşırı öğrenme karşılaştırması.

Aşırı öğrenme, model çok karmaşık olduğunda gerçekleşir ve bu da onu eğitim verilerine aşırı odaklı hale getirir. Genel desenleri öğrenmek yerine, arka plan gürültüsü gibi alakasız olanlar da dahil olmak üzere küçük ayrıntıları ezberler. Bu durum, modelin eğitim verilerinde iyi performans göstermesine ancak yeni görüntülerle zorlanmasına neden olur; yani farklı durumlarda uygulanan desenleri nasıl tanıyacağını tam olarak öğrenememiştir.

Yetersiz öğrenme, model çok basit olduğunda gerçekleşir, bu yüzden verideki önemli desenleri kaçırır. Bu, modelin çok az katmana, yeterli eğitim süresine sahip olmaması veya verilerin sınırlı olması durumunda ortaya çıkabilir. Sonuç olarak, önemli desenleri tanıyamaz ve hatalı tahminler yapar. Bu da model görevi anlamak için yeterince şey öğrenmediğinden hem eğitim hem de test verilerinde düşük performansa yol açar.

İyi eğitilmiş bir model, karmaşıklık ve genelleştirme arasında denge kurar. İlgili desenleri öğrenecek kadar karmaşık olmalı, ancak veriyi altta yatan ilişkileri tanımak yerine ezberleyecek kadar karmaşık olmamalıdır.

Link to this sectionAşırı öğrenme nasıl tanımlanır#

Bir modelin aşırı öğrenme yaşadığını gösteren bazı işaretler şunlardır:

• Eğitim doğruluğu doğrulama doğruluğundan önemli ölçüde yüksekse, model büyük olasılıkla aşırı öğrenme yapıyordur.
• Eğitim kaybı ile doğrulama kaybı arasındaki boşluğun giderek açılması bir diğer güçlü göstergedir.
• Model yanlış cevaplar konusunda çok kendine güveniyordur, bu da desenleri anlamak yerine ayrıntıları ezberlediğini gösterir.

Bir modelin iyi genelleştirme yapmasını sağlamak için gerçek dünya koşullarını yansıtan çeşitli veri kümeleri üzerinde test edilmesi gerekir.

Link to this sectionBilgisayarlı görüde aşırı öğrenme nasıl önlenir#

Aşırı öğrenme kaçınılmaz değildir ve önlenebilir. Doğru tekniklerle bilgisayarlı görü modelleri, eğitim verilerini ezberlemek yerine genel desenleri öğrenebilir ve bu da onları gerçek dünya uygulamalarında daha güvenilir kılar.

Bilgisayarlı görüde aşırı öğrenmeyi önlemek için beş temel strateji şunlardır.

Link to this sectionArtırma ve sentetik verilerle veri çeşitliliğini artırın#

Bir modelin yeni veriler üzerinde iyi çalışmasına yardımcı olmanın en iyi yolu, veri artırma ve sentetik veri kullanarak veri kümesini genişletmektir. Sentetik veriler gerçek dünya görüntülerinden toplanmak yerine bilgisayar tarafından oluşturulur. Yeterli gerçek veri olmadığında boşlukları doldurmaya yardımcı olur.

Şekil 2. Gerçek dünya ve sentetik verileri birleştirmek aşırı öğrenmeyi azaltır ve nesne algılama doğruluğunu artırır.

Veri artırma, mevcut görüntüleri çevirerek, döndürerek, kırparak veya parlaklığı ayarlayarak hafifçe değiştirir, böylece model sadece ayrıntıları ezberlemekle kalmaz, aynı zamanda nesneleri farklı durumlarda tanımayı da öğrenir.

Sentetik veriler, gerçek görüntüler elde etmenin zor olduğu durumlarda kullanışlıdır. Örneğin, sürücüsüz araç modelleri, farklı hava ve aydınlatma koşullarında nesneleri nasıl tespit edeceklerini öğrenmek için bilgisayar tarafından oluşturulan yol sahneleri üzerinde eğitilebilir. Bu, modelin binlerce gerçek dünya görüntüsüne ihtiyaç duymadan daha esnek ve güvenilir olmasını sağlar.

Link to this sectionModel karmaşıklığını ve mimarisini optimize edin#

Verileri tek bir katman yerine işleyen birçok katmana sahip bir makine öğrenimi modeli türü olan derin bir sinir ağı her zaman daha iyi değildir. Bir model çok fazla katmana veya parametreye sahip olduğunda, daha geniş desenleri tanımak yerine eğitim verilerini ezberler. Gereksiz karmaşıklığı azaltmak, aşırı öğrenmeyi önlemeye yardımcı olabilir.

Bunu başarmak için bir yaklaşım, gereksiz nöronları ve bağlantıları kaldıran ve modeli daha yalın ve verimli hale getiren budama işlemidir.

Bir diğeri, katman veya nöron sayısını azaltarak mimariyi basitleştirmektir. YOLO11 gibi önceden eğitilmiş modeller, daha az parametreyle görevler arasında iyi genelleştirme yapacak şekilde tasarlanmıştır ve bu da onları derin bir modeli sıfırdan eğitmeye göre aşırı öğrenmeye karşı daha dirençli kılar.

Model derinliği ve verimliliği arasında doğru dengeyi bulmak, modelin eğitim verilerini ezberlemek yerine yararlı desenleri öğrenmesine yardımcı olur.

Link to this sectionDüzenlileştirme teknikleri uygulayın#

Düzenlileştirme teknikleri, modellerin eğitim verilerindeki belirli özelliklere çok fazla bağımlı hale gelmesini önler. İşte yaygın olarak kullanılan birkaç teknik:

• Dropout, eğitim sırasında modelin rastgele bölümlerini kapatır, böylece model birkaç özelliğe çok fazla güvenmek yerine farklı desenleri tanımayı öğrenir.
• Ağırlık azalması (L2 düzenlileştirme), aşırı ağırlık değerlerini engeller ve modelin karmaşıklığını kontrol altında tutar.
• Batch normalization, modelin veri kümesindeki varyasyonlara karşı daha az duyarlı olmasını sağlayarak eğitimi stabilize etmeye yardımcı olur.

Bu teknikler, modelin esnekliğini ve uyarlanabilirliğini korumaya yardımcı olurken, doğruluğu koruyarak aşırı öğrenme riskini azaltır.

Link to this sectionEğitimi doğrulama ve erken durdurma ile izleyin#

Aşırı öğrenmeyi önlemek için modelin nasıl öğrendiğini takip etmek ve yeni verilere iyi genelleştirme yaptığından emin olmak önemlidir. Buna yardımcı olacak birkaç teknik şunlardır:

• Erken durdurma: Model iyileşmeyi bıraktığında eğitimi otomatik olarak sonlandırır, böylece gereksiz ayrıntıları öğrenmeye devam etmez.
• Çapraz doğrulama: Verileri parçalara ayırır ve modeli her birinde eğitir. Bu, modelin belirli görüntüleri ezberlemek yerine desenleri öğrenmesine yardımcı olur.

Bu teknikler, modelin dengede kalmasına yardımcı olur, böylece yalnızca eğitim verilerine çok odaklanmadan doğru olacak kadar çok şey öğrenir.

Link to this sectionÖnceden eğitilmiş modeller kullanın ve veri kümesi etiketlemeyi iyileştirin#

Sıfırdan eğitmek yerine YOLO11 gibi önceden eğitilmiş modelleri kullanmak aşırı öğrenmeyi azaltabilir. YOLO11 geniş ölçekli veri kümeleri üzerinde eğitilmiştir ve bu da onun farklı koşullarda iyi genelleştirme yapmasını sağlar.

Şekil 3. Önceden eğitilmiş bilgisayarlı görü modelleri doğruluğu artırır ve aşırı öğrenmeyi önler.

Önceden eğitilmiş bir modeli ince ayarlamak (fine-tuning), yeni görevleri öğrenirken zaten bildiklerini korumasına yardımcı olur, böylece sadece eğitim verilerini ezberlemez.

Ayrıca yüksek kaliteli veri kümesi etiketlemesi sağlamak esastır. Yanlış etiketlenmiş veya dengesiz veriler, modellerin yanlış desenleri öğrenmesine yol açabilir. Veri kümelerini temizlemek, yanlış etiketlenmiş görüntüleri düzeltmek ve sınıfları dengelemek doğruluğu artırır ve aşırı öğrenme riskini azaltır. Bir diğer etkili yaklaşım da, modelin sınırlarını test etmek için tasarlanmış hafifçe değiştirilmiş veya daha zorlu örneklere maruz bırakıldığı çekişmeli eğitimdir.

Link to this sectionÖne çıkanlar#

Aşırı öğrenme, bilgisayarlı görüde yaygın bir sorundur. Bir model eğitim verilerinde iyi çalışabilir ancak gerçek dünya görüntüleri ile zorlanabilir. Bunu önlemek için veri artırma, düzenlileştirme ve YOLO11 gibi önceden eğitilmiş modelleri kullanma gibi teknikler doğruluğu ve uyarlanabilirliği artırmaya yardımcı olur.

Bu yöntemleri uygulayarak, yapay zeka modelleri güvenilir kalabilir ve farklı ortamlarda iyi performans gösterebilir. Derin öğrenme geliştikçe, modellerin düzgün bir şekilde genelleştirildiğinden emin olmak, gerçek dünya yapay zeka başarısı için anahtar olacaktır.

Büyüyen topluluğumuza katıl! Yapay zeka hakkında daha fazla bilgi edinmek için GitHub depomuzu keşfet. Kendi bilgisayarlı görü projelerine başlamaya hazır mısın? Lisanslama seçeneklerimize göz at. Çözüm sayfalarımızı ziyaret ederek sürücüsüz araçlarda yapay görü ve sağlık hizmetlerinde yapay zeka hakkında bilgi edin!