ResNet-50 nedir ve bilgisayarlı görü açısından önemi nedir?

Hız yapan araçları tespit etmek veya tıbbi görüntüleri analiz etmek gibi uygulamalarda otomatik görüntü analizi giderek yaygınlaşıyor. Bu yeniliklerin arkasındaki teknoloji bilgisayarlı görü veya görsel AI'dır. Bu, makinelerin görüntüleri ve videoları insanlar gibi yorumlayıp anlamasını sağlayan bir yapay zekâ (AI) dalıdır.

Bu tür bilgisayarlı görü çözümleri geliştirmek için geliştiriciler, büyük miktarda görsel veriden öğrenebilen görsel AI modellerine güvenir. Araştırmacılar yıllar içinde görüntü sınıflandırma (görüntülere etiket atama), nesne tespiti (görüntülerdeki nesneleri bulma ve tanımlama) ve örnek segmentasyonu (nesneleri tespit edip tam şekillerinin sınırlarını çizme) gibi görsel AI görevlerinde etkileyici performans sergileyen, daha yeni ve gelişmiş modeller geliştirdi.

Ancak geçmişe dönüp önceki modelleri anlamak, günümüz bilgisayarlı görü sistemlerinin nasıl çalıştığını kavramaya yardımcı olabilir. Bunun önemli örneklerinden biri ResNet-50'dir. Bu etkili model, modelin daha hızlı ve daha doğru öğrenmesine yardımcı olan basit yollar, yani kısa bağlantılar fikrini ortaya koymuştur.

Bu yenilik, çok daha derin sinir ağlarının etkili biçimde eğitilmesini mümkün kıldı; görüntü sınıflandırmasında önemli gelişmelere yol açtı ve ardından gelen birçok modelin tasarımını şekillendirdi. Bu makalede ResNet-50'yi, nasıl çalıştığını ve bilgisayarlı görü alanının gelişimindeki önemini inceleyeceğiz.

ResNet-50 nedir?#

ResNet-50, Evrişimli Sinir Ağı (CNN) adı verilen bir sinir ağı türünü temel alan bir bilgisayarlı görü modelidir. CNN'ler; kenarlar, renkler veya şekiller gibi görüntülerdeki örüntüleri öğrenerek ve bu örüntüleri nesneleri tanımak ve sınıflandırmak için kullanarak bilgisayarların görsel bilgileri anlamasına yardımcı olmak üzere tasarlanmıştır.

Microsoft Research araştırmacıları tarafından 2015'te tanıtılan ResNet-50, büyük ölçekli görüntü tanıma görevlerindeki doğruluğu ve verimliliği sayesinde kısa sürede alanın en etkili modellerinden biri hâline geldi.

ResNet-50'nin temel özelliklerinden biri, kısa bağlantılar olarak da bilinen artık bağlantıları kullanmasıdır. Bunlar, modelin öğrenme sürecindeki bazı adımları atlamasını sağlayan basit yollardır. Başka bir deyişle, modelin bilgiyi her katmandan geçirmek zorunda kalması yerine bu kısa yollar önemli ayrıntıların daha doğrudan ileri taşınmasını sağlar. Böylece öğrenme daha hızlı ve güvenilir olur.

Şekil 1. ResNet mimarisindeki artık bağlantılara bakış.

Bu tasarım, derin öğrenmede sık karşılaşılan kaybolan gradyan sorununu çözmeye yardımcı olur. Çok derin modellerde önemli bilgiler çok sayıda katmandan geçerken kaybolabilir ve bu da modelin öğrenmesini zorlaştırır.

Artık bağlantılar, bilginin baştan sona açık biçimde akmasını sağlayarak bu sorunu önlemeye yardımcı olur. Modelin adı bu nedenle ResNet-50'dir: ResNet, Artık Ağ (Residual Network) anlamına gelir ve “50” görüntüyü işlemek için kullandığı katman sayısını belirtir.

ResNet-50'nin çalışma şekline genel bakış#

ResNet-50, önemli bilgileri kaybetmeden derinleşmesini sağlayan iyi düzenlenmiş bir yapıya sahiptir. Güçlü performans sunarken verimliliği koruyan basit ve tekrarlanabilir bir düzen izler.

ResNet-50 mimarisinin nasıl çalıştığına daha yakından bakalım:

• Temel özellik çıkarımı: Model, evrişim adı verilen matematiksel bir işlem uygulayarak başlar. Bu işlemde küçük filtreler (çekirdek adı verilir) görüntünün üzerinde kaydırılarak, kenarlar veya dokular gibi temel örüntüleri vurgulayan özellik haritaları, yani görüntünün yeni sürümleri oluşturulur. Model yararlı görsel bilgileri bu şekilde algılamaya başlar.
• Karmaşık özellikleri öğrenme: Veriler ağda ilerledikçe özellik haritalarının boyutu küçülür. Bu işlem havuzlama gibi tekniklerle veya daha büyük adımlarla ilerleyen (adım uzunluğu adı verilen) filtreler kullanılarak gerçekleştirilir. Aynı zamanda ağ daha fazla özellik haritası oluşturarak şekiller, nesne parçaları veya dokular gibi giderek karmaşıklaşan örüntüleri yakalar.
• Verileri sıkıştırma ve genişletme: Her darboğaz bloğu verileri sıkıştırır, işler ve ardından yeniden genişletir. Bu, modelin bellek tasarrufu sağlarken öğrenmesine yardımcı olur.
• Kısa bağlantılar: Bunlar, bilgilerin her katmandan geçmek yerine bazı katmanları atlamasını sağlayan basit yollardır. Öğrenmeyi daha kararlı ve verimli hâle getirirler.
• Tahmin yapma: Ağın sonunda öğrenilen tüm bilgiler birleştirilir ve softmax fonksiyonundan geçirilir. Böylece olası sınıflar için bir olasılık dağılımı elde edilir ve modelin her tahmine duyduğu güven gösterilir; örneğin %90 kedi, %9 köpek, %1 araba.

Şekil 2. ResNet-50 mimarisi.

ResNet-50'nin temel özellikleri#

ResNet-50 başlangıçta görüntü sınıflandırma için tasarlanmış olsa da esnek tasarımı, onu bilgisayarlı görünün birçok alanında kullanışlı kılmıştır. ResNet-50'yi öne çıkaran bazı özelliklere göz atalım.

Görüntü sınıflandırma için ResNet-50 kullanımı#

ResNet-50 öncelikle, amaç bir görüntüye tek bir etiket atamak olan görüntü sınıflandırmasında kullanılır. Örneğin model, bir fotoğraf verildiğinde gördüğü ana nesneye göre görüntüyü köpek, kedi veya uçak olarak etiketleyebilir.

Güvenilir tasarımı ve PyTorch ile TensorFlow gibi yaygın derin öğrenme kütüphanelerinde bulunması, ResNet-50'yi büyük görüntü veri kümeleri üzerinde eğitim için ilk dönemlerin popüler bir tercihi hâline getirdi. En bilinen örneklerden biri, bilgisayarlı görü modellerini değerlendirmek ve karşılaştırmak için kullanılan, etiketli görüntülerden oluşan dev bir koleksiyon olan ImageNet'tir.

Ultralytics YOLO11 gibi daha yeni modeller daha iyi performans gösterse de ResNet-50; doğruluk, hız ve basitlik arasında sağladığı sağlam denge sayesinde hâlâ sıkça kıyaslama modeli olarak kullanılır.

Şekil 3. ResNet-50 ile bir köpeği sınıflandırma örneği.

ResNet-50 omurgalarıyla mümkün olan nesne tespiti#

Görüntü sınıflandırma, bir resimdeki ana nesneyi tanımlarken nesne tespiti aynı görüntüdeki birden fazla nesneyi bulup etiketleyerek bir adım öteye gider. Örneğin kalabalık bir cadde görüntüsünde modelin arabaları, otobüsleri ve insanları tespit etmesi ve her birinin nerede olduğunu belirlemesi gerekebilir.

ResNet-50 bu modellerin bazılarında omurga olarak kullanılır. Yani görevin ilk bölümünü üstlenir: Görüntüyü analiz eder ve görüntüde ne olduğunu ve bunların nerede bulunduğunu açıklayan önemli ayrıntıları çıkarır. Bu ayrıntılar daha sonra tespit başlığı adı verilen modelin sonraki bölümüne aktarılır; tespit başlığı görüntüdeki nesnelerin ne olduğuna ve nerede bulunduğuna dair nihai kararları verir.

Faster R-CNN ve DETR gibi popüler tespit modelleri, bu özellik çıkarımı adımında ResNet-50'yi kullanır. Görüntünün hem ince ayrıntılarını hem de genel düzenini iyi yakaladığından bu modellerin karmaşık sahnelerde bile doğru tahminler yapmasına yardımcı olur.

ResNet-50 ile aktarım öğrenmesi#

ResNet-50 modelinin bir diğer ilginç yönü, aktarım öğrenmesini destekleyebilmesidir. Bu, başlangıçta görüntü sınıflandırma için ImageNet gibi büyük bir veri kümesinde eğitilen modelin çok daha az veriyle yeni görevlere uyarlanabileceği anlamına gelir.

Sıfırdan başlamak yerine modelin katmanlarının çoğu yeniden kullanılır; yalnızca son sınıflandırma katmanı değiştirilip yeni görev için yeniden eğitilir. Bu, zamandan tasarruf sağlar ve özellikle etiketli verilerin sınırlı olduğu durumlarda kullanışlıdır.

ResNet-50'nin bilgisayarlı görü uygulamaları#

ResNet-50'nin mimarisi, onu çok çeşitli bilgisayarlı görü uygulamalarında kullanışlı kılmıştır. Derin öğrenmenin ilk dönemlerinde özellikle önemli bir rol oynayarak görsel AI teknolojisinin araştırma alanından gerçek dünya kullanımına taşınmasına yardımcı oldu. Temel zorlukları çözerek günümüz uygulamalarında gördüğümüz daha gelişmiş modellerin önünü açtı.

ResNet-50 destekli tıbbi görüntüleme#

ResNet-50, derin öğrenme tabanlı tıbbi görüntülemede kullanılan ilk modellerden biriydi. Araştırmacılar, röntgen, MRI ve diğer tanısal görüntülerde hastalık örüntülerini belirlemek için ResNet-50'den yararlandı. Örneğin göz hastalıkları alanında tanıya destek olmak için tümörlerin tespit edilmesine ve diyabetik retina görüntülerinin sınıflandırılmasına yardımcı oldu.

Artık klinik araçlarda daha gelişmiş modeller kullanılsa da ResNet-50, ilk dönem tıbbi AI araştırmalarında kilit rol oynadı. Kullanım kolaylığı ve modüler tasarımı, tanı sistemlerinin prototiplerini oluşturmak için onu uygun bir seçenek hâline getirdi.

Şekil 4. ResNet-50 tabanlı beyin tümörü tespiti.

ResNet-50 destekli endüstriyel otomasyon#

Benzer şekilde ResNet-50, endüstriyel ortamlarda da kullanıldı. Örneğin üretimde, çelik, beton ve boyalı parçalar gibi malzemelerdeki yüzey kusurlarını tespit etmek için araştırma ve pilot sistemlerde kullanıldı.

Döküm veya montaj sırasında oluşan gözenekleri, çatlakları ya da birikintileri belirlemek üzere kurulan sistemlerde de test edildi. ResNet-50, yüzey dokusundaki ince farklılıkları tespit edebildiği için bu görevler için çok uygundur; bu, kalite denetiminde önemli bir beceridir.

Ultralytics YOLO11 gibi daha gelişmiş modeller artık üretim sistemlerinde yaygın olarak kullanılsa da ResNet-50, özellikle görüntü sınıflandırma görevlerinde akademik araştırmalarda ve kıyaslama çalışmalarında önemli bir rol oynamaya devam ediyor.

Şekil 5. ResNet-50 ile yüzey denetimi.

ResNet-50'nin avantajları ve sınırlamaları#

ResNet-50'nin bazı avantajlarına göz atalım:

• Güçlü temel performans: ResNet-50, çok çeşitli görevlerde sağlam doğruluk sunarak hem araştırmalarda hem de uygulamalı projelerde güvenilir bir kıyaslama modeli olmasını sağlar.
• İyi belgelenmiş ve kapsamlı biçimde incelenmiş: Mimarisi iyi anlaşılmış ve ayrıntılı biçimde belgelenmiştir; bu da geliştiriciler ve araştırmacılar için sorun gidermeyi ve öğrenmeyi kolaylaştırır.
• Farklı alanlarda çok yönlü: Tıbbi görüntülemeden imalata kadar ResNet-50, çeşitli gerçek dünya sorunlarında başarıyla uygulanmış ve esnekliğini kanıtlamıştır.

Bu arada, ResNet-50'nin sınırlamalarına da kısaca göz atalım:

• Yüksek kaynak kullanımı: ResNet-50, hafif modellere kıyasla daha fazla bellek ve işlem gücü gerektirir; bu da onu mobil cihazlar veya gerçek zamanlı uygulamalar için daha az uygun hâle getirebilir.
• Küçük veri kümelerinde aşırı öğrenme: Derinliği ve karmaşıklığı nedeniyle ResNet-50, uygun düzenlileştirme teknikleri kullanılmadan sınırlı veriyle eğitildiğinde aşırı öğrenebilir.
• Sabit giriş boyutu: ResNet-50 genellikle 224×224 piksel gibi belirli bir boyutta görüntüler bekler; bu nedenle görüntülerin çoğu zaman yeniden boyutlandırılması veya kırpılması gerekir ve bu işlem bazen önemli ayrıntıların kaybolmasına yol açabilir.

Önemli çıkarımlar#

ResNet-50, çok derin ağların etkili biçimde eğitilebileceğini ve görsel görevlerde yine de güçlü performans gösterebileceğini kanıtladı. Mimarisi, güvenilir biçimde çalışan daha derin modeller oluşturmak için açık ve pratik bir çerçeve sundu.

Yayımlanmasının ardından araştırmacılar bu tasarımı geliştirerek ResNet-101 ve ResNet-152 gibi daha derin sürümler oluşturdu. Genel olarak ResNet-50, günümüzde derin öğrenmenin bilgisayarlı görü alanında kullanılma biçimini şekillendirmeye yardımcı olan önemli bir modeldir.

Büyüyen topluluğumuza katıl! Yapay zekâ hakkında daha fazla bilgi edinmek için GitHub depomuzu keşfet. Kendi bilgisayarlı görü projelerine başlamaya hazır mısın? Lisans seçeneklerimize göz at. Çözüm sayfalarımızı ziyaret ederek tarımda yapay zekâyı ve sağlık hizmetlerinde görsel yapay zekâyı keşfet!