Bilgisayarlı görmede aşırı öğrenme nedir ve nasıl önlenir?

Bilgisayarlı görü modelleri kalıpları tanımak, nesneleri algılamak ve görüntüleri analiz etmek için tasarlanmıştır. Ancak performansları, görülmemiş verilere ne kadar iyi genelleme yaptıklarına bağlıdır. Genelleme, modelin yalnızca eğitim aldığı görüntülerde değil, yeni görüntülerde de iyi çalışabilmesidir. Bu modelleri eğitirken sık karşılaşılan bir sorun, modelin anlamlı kalıpları belirlemek yerine gereksiz gürültü de dâhil olmak üzere eğitim verilerinden aşırı miktarda öğrenmesine neden olan aşırı öğrenmedir.

Bu durumda model eğitim verilerinde iyi performans gösterir, ancak yeni görüntülerde zorlanır. Örneğin, yalnızca yüksek çözünürlüklü ve iyi aydınlatılmış görüntülerle eğitilmiş bir nesne algılama modeli, gerçek dünya koşullarında bulanık veya gölgeli görüntülerle karşılaştığında başarısız olabilir. Aşırı öğrenme, modelin uyum sağlama yeteneğini kısıtlayarak otonom sürüş, tıbbi görüntüleme ve güvenlik sistemleri gibi gerçek dünya uygulamalarında kullanımını sınırlar.

Bu makalede aşırı öğrenmenin ne olduğunu, neden gerçekleştiğini ve nasıl önlenebileceğini inceleyeceğiz. Ayrıca Ultralytics YOLO11 gibi bilgisayarlı görü modellerinin aşırı öğrenmeyi azaltmaya ve genelleme yeteneğini geliştirmeye nasıl yardımcı olduğuna bakacağız.

Aşırı öğrenme nedir?#

Aşırı öğrenme, bir model yeni girdilere geniş ölçüde uygulanabilecek kalıpları öğrenmek yerine eğitim verilerini ezberlediğinde ortaya çıkar. Model eğitim verilerine aşırı odaklanır ve bu nedenle daha önce görmediği yeni görüntülerde veya durumlarda zorlanır.

Bilgisayarlı görüde aşırı öğrenme farklı görevleri etkileyebilir. Yalnızca parlak ve net görüntülerle eğitilmiş bir sınıflandırma modeli, düşük ışık koşullarında zorlanabilir. Kusursuz görüntülerle öğrenen bir nesne algılama modeli, kalabalık veya dağınık sahnelerde başarısız olabilir. Benzer şekilde, örnek segmentasyonu modeli kontrollü ortamlarda iyi çalışsa da gölgeler veya üst üste binen nesneler karşısında zorlanabilir.

Modellerin kontrollü eğitim koşullarının ötesine genelleme yapabilmesi gereken gerçek dünya yapay zekâ uygulamalarında bu bir sorun hâline gelir. Örneğin otonom araçlar, yayaları farklı aydınlatma koşullarında, hava durumlarında ve ortamlarda algılayabilmelidir. Eğitim kümesine aşırı uyum sağlayan bir model, bu tür öngörülemeyen senaryolarda güvenilir performans gösteremez.

Aşırı öğrenme ne zaman ve neden gerçekleşir?#

Aşırı öğrenme genellikle dengesiz veri kümeleri, aşırı model karmaşıklığı ve fazla eğitim nedeniyle ortaya çıkar. Başlıca nedenler şunlardır:

• Sınırlı eğitim verisi: Küçük veri kümeleri, modellerin kalıpları genellemek yerine ezberlemesine neden olur. Yalnızca 50 kuş görüntüsüyle eğitilen bir model, bu veri kümesinin dışındaki kuş türlerini algılamakta zorlanabilir.
• Çok fazla parametre içeren karmaşık modeller: Aşırı sayıda 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 eğitim görüntülerinin aynılarından öğrenebilir.
• Uzun süreli eğitim: Model eğitim verilerinden çok fazla kez geçtiğinde, bu geçişler epoch olarak bilinir ve model genel kalıpları öğrenmek yerine ayrıntıları ezberleyerek uyum sağlama becerisini kaybeder.
• Tutarsız veya gürültülü etiketler: Yanlış etiketlenmiş veriler, modelin hatalı kalıpları öğrenmesine neden olur. Bu durum, manuel olarak etiketlenen veri kümelerinde yaygındır.

Model karmaşıklığı, veri kümesi kalitesi ve eğitim teknikleri arasında iyi bir denge kurmak, daha iyi genelleme sağlar.

Aşırı öğrenme ve yetersiz öğrenme#

Aşırı öğrenme ve yetersiz öğrenme, derin öğrenmedeki birbirine zıt iki sorundur.

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

Aşırı öğrenme, modelin çok karmaşık olması ve eğitim verilerine aşırı odaklanmasıyla ortaya çıkar. Genel kalıpları öğrenmek yerine, arka plan gürültüsü gibi ilgisiz olanlar dâhil küçük ayrıntıları ezberler. Bu nedenle model eğitim verilerinde iyi performans gösterirken yeni görüntülerde zorlanır; yani farklı durumlarda geçerli kalıpları tanımayı gerçekten öğrenmemiştir.

Yetersiz öğrenme, modelin çok basit olması ve verilerdeki önemli kalıpları kaçırmasıyla ortaya çıkar. Modelde çok az katman olması, eğitimin yeterince uzun sürmemesi veya verilerin kısıtlı olması bu duruma yol açabilir. Sonuç olarak model önemli kalıpları tanıyamaz ve hatalı tahminlerde bulunur. Görevi doğru anlamak için yeterince öğrenemediğinden hem eğitim hem de test verilerinde kötü performans gösterir.

İyi eğitilmiş bir model, karmaşıklık ile genelleme arasında denge kurar. İlgili kalıpları öğrenecek kadar karmaşık olmalı, ancak temel ilişkileri tanımak yerine verileri ezberleyecek kadar karmaşık olmamalıdır.

Aşırı öğrenme nasıl belirlenir#

İşte bir modelin aşırı öğrendiğini gösteren bazı belirtiler:

• Eğitim doğruluğu doğrulama doğruluğundan belirgin ölçüde yüksekse model muhtemelen aşırı öğreniyordur.
• Eğitim kaybı ile doğrulama kaybı arasındaki farkın açılması da güçlü bir göstergedir.
• Model yanlış yanıtlardan gereğinden fazla emin davranır; bu da kalıpları anlamak yerine ayrıntıları ezberlediğini gösterir.

Bir modelin iyi genelleme yaptığından emin olmak için gerçek dünya koşullarını yansıtan çeşitli veri kümeleriyle test edilmesi gerekir.

Bilgisayarlı görüde aşırı öğrenme nasıl önlenir?#

Aşırı öğrenme kaçınılmaz değildir ve önlenebilir. Doğru tekniklerle bilgisayarlı görü modelleri eğitim verilerini ezberlemek yerine genel kalıpları öğrenebilir ve böylece gerçek dünya uygulamalarında daha güvenilir hâle gelir.

Bilgisayarlı görüde aşırı öğrenmeyi önlemeye yönelik beş temel strateji şöyle:

Veri artırma ve sentetik verilerle veri çeşitliliğini artır#

Bir modelin yeni verilerde iyi çalışmasına yardımcı olmanın en iyi yolu, veri artırma ve sentetik veriler kullanarak veri kümesini genişletmektir. Sentetik veriler, gerçek dünyadaki görüntülerden toplanmak yerine bilgisayar tarafından oluşturulur. Yeterli gerçek veri olmadığında eksikleri gidermeye yardımcı olur.

Şekil 2. Gerçek dünya verileriyle sentetik verilerin birleştirilmesi, aşırı öğrenmeyi azaltır ve nesne tespitinin doğruluğunu artırır.

Veri artırma, mevcut görüntüleri çevirme, döndürme, kırpma veya parlaklığını ayarlama yoluyla hafifçe değiştirir. Böylece model ayrıntıları ezberlemek yerine nesneleri farklı koşullarda tanımayı öğrenir.

Gerçek görüntülere ulaşmanın zor olduğu durumlarda sentetik veriler yararlıdır. Örneğin otonom araç modelleri, farklı hava ve ışık koşullarında nesneleri algılamayı öğrenmek için bilgisayar tarafından oluşturulan yol sahneleriyle eğitilebilir. Böylece binlerce gerçek dünya görüntüsüne ihtiyaç duymadan model daha esnek ve güvenilir hâle gelir.

Model karmaşıklığını ve mimarisini optimize et#

Tek bir katman yerine verileri işleyen çok sayıda katmana sahip bir makine öğrenimi modeli türü olan derin bir sinir ağı her zaman daha iyi değildir. Bir modelde çok fazla katman veya parametre olduğunda, daha genel örüntüleri tanımak yerine eğitim verilerini ezberler. Gereksiz karmaşıklığı azaltmak, aşırı öğrenmenin önüne geçmeye yardımcı olabilir.

Bunu başarmanın bir yolu, gereksiz nöronları ve bağlantıları kaldırarak modeli daha yalın ve verimli hâle getiren budamadır.

Bir diğer yol ise katman veya nöron sayısını azaltarak mimariyi basitleştirmektir. Ultralytics YOLO11 gibi önceden eğitilmiş modeller, daha az parametreyle farklı görevlerde iyi genelleme yapacak şekilde tasarlanır. Bu da onları sıfırdan derin bir model eğitmeye kıyasla aşırı öğrenmeye daha dirençli kılar.

Model derinliği ile verimlilik arasında doğru dengeyi bulmak, modelin eğitim verilerini ezberlemek yerine yararlı örüntüleri öğrenmesine yardımcı olur.

Düzenlileştirme tekniklerini uygula#

Düzenlileştirme teknikleri, modellerin eğitim verilerindeki belirli özelliklere aşırı bağımlı hâle gelmesini önler. Sık kullanılan birkaç teknik şöyle:

• Dropout, eğitim sırasında modelin rastgele bölümlerini devre dışı bırakır. Böylece model birkaç özelliğe fazlasıyla güvenmek yerine farklı örüntüleri tanımayı öğrenir.
• Ağırlık azaltma (L2 düzenlileştirmesi), aşırı büyük ağırlık değerlerini önleyerek modelin karmaşıklığını kontrol altında tutar.
• Batch normalization, modelin veri kümesindeki değişikliklere daha az duyarlı olmasını sağlayarak eğitimin dengelenmesine yardımcı olur.

Bu teknikler, doğruluğu korurken aşırı öğrenme riskini azaltarak modelin esnekliğini ve uyum sağlama yeteneğini sürdürmesine yardımcı olur.

Doğrulama ve erken durdurmayla eğitimi izle#

Aşırı öğrenmeyi önlemek için modelin nasıl öğrendiğini takip etmek ve yeni verilere iyi genelleme yaptığından emin olmak önemlidir. Bunun için kullanabileceğin birkaç teknik:

• Erken durdurma: Doğrulama performansı iyileşmeyi bıraktığında eğitimi otomatik olarak sonlandırır ve modelin gereksiz ayrıntıları öğrenmeye devam etmesini önler.
• Çapraz doğrulama: Verileri birkaç parçaya böler; ardından her seferinde bir parça dışarıda bırakılarak diğer parçalarla eğitim yapılır ve dışarıda tutulan parça üzerinde doğrulama gerçekleştirilir. Bu yöntem, modelin belirli görüntülerin ötesine ne ölçüde genelleme yaptığını daha güvenilir biçimde gösterir.

Bu teknikler, modelin yalnızca eğitim verilerine fazla odaklanmadan doğru sonuçlar verecek kadar öğrenmesini ve dengeli kalmasını sağlar.

Önceden eğitilmiş modeller kullan ve veri kümesi etiketlemesini iyileştir#

Sıfırdan eğitim yapmak yerine Ultralytics YOLO11 gibi önceden eğitilmiş modelleri kullanmak aşırı öğrenmeyi azaltabilir. YOLO11, büyük ölçekli veri kümelerinde eğitilmiştir ve böylece farklı koşullarda iyi genelleme yapabilir.

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

Önceden eğitilmiş bir modelde ince ayar yapmak, modelin yeni görevleri öğrenirken bildiklerini korumasına yardımcı olur; böylece model yalnızca eğitim verilerini ezberlemez.

Ayrıca, veri kümesinin yüksek kaliteli etiketlere sahip olmasını sağlamak da önemlidir. Yanlış etiketlenmiş veya dengesiz veriler, modellerin hatalı örüntüler 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 sınamak amacıyla hafifçe değiştirilmiş veya daha zorlayıcı örneklere maruz bırakıldığı karşıt eğitimdir.

Önemli çıkarımlar#

Aşırı öğrenme, bilgisayarlı görüde sık karşılaşılan bir sorundur. Model eğitim verilerinde iyi çalışırken gerçek dünya görüntülerinde zorlanabilir. Bunu önlemek için veri artırma, düzenlileştirme ve Ultralytics YOLO11 gibi önceden eğitilmiş modeller kullanma gibi teknikler doğruluğu ve uyum sağlama yeteneğini geliştirmeye yardımcı olur.

Bu yöntemleri uygulayarak yapay zekâ modellerinin güvenilir kalmasını ve farklı ortamlarda iyi performans göstermesini sağlayabilirsin. Derin öğrenme geliştikçe modellerin doğru biçimde genelleme yapmasını sağlamak, yapay zekânın gerçek dünyada başarılı olması için kilit önem taşıyacak.

Büyüyen topluluğumuza katıl! Yapay zekâ hakkında daha fazla bilgi edinmek için GitHub depomuzu incele. Kendi bilgisayarlı görü projeni hayata geçirmeye hazır mısın? Lisans seçeneklerimize göz at. Çözüm sayfalarımızı ziyaret ederek otonom araçlarda görüntü yapay zekâsını ve sağlık hizmetlerinde yapay zekâyı keşfet!