Backbone

Backbone, derin öğrenme mimarisinin temel özellik çıkarma bileşenidir ve ham veriyi anlamlı gösterimlere dönüştüren birincil motor görevi görür. Bilgisayarlı görü bağlamında backbone, genellikle sinir ağı içindeki, girdi görüntülerini hiyerarşik desenleri tanımlamak için işleyen bir dizi katmandan oluşur. Bu desenler, kenarlar ve dokular gibi basit düşük seviyeli özelliklerden, şekiller ve nesneler gibi karmaşık yüksek seviyeli kavramlara kadar çeşitlilik gösterir. Genellikle özellik haritası olarak adlandırılan backbone çıktısı, sınıflandırma veya tespit gibi belirli görevleri gerçekleştiren sonraki bileşenler için girdi görevi görür.

Link to this sectionBackbone'un Rolü#

Backbone'un birincil işlevi, herhangi bir özel karar verilmeden önce bir görüntünün görsel içeriğini "görmek" ve anlamaktır. Piksel değerlerini yoğun, bilgi açısından zengin bir biçime dönüştüren evrensel bir çevirmen gibi hareket eder. Modern backbone'ların çoğu Evrişimli Sinir Ağlarına (CNN) veya Vision Transformer'lara (ViT) dayanır ve genellikle ImageNet gibi devasa veri kümeleri üzerinde önceden eğitilir. Transfer öğrenmenin temel bir yönü olan bu ön eğitim süreci, modelin önceden öğrenilmiş görsel özellikleri kullanmasını sağlayarak belirli bir uygulama için yeni bir modeli eğitmek için gereken veri ve süreyi önemli ölçüde azaltır.

Örneğin, Ultralytics YOLO26 kullanılırken, mimari çok ölçekli özellikleri verimli bir şekilde çıkaran oldukça optimize edilmiş bir backbone içerir. Bu, ağın sonraki bölümlerinin, temel görsel yapıların nasıl tanınacağını sıfırdan öğrenmek zorunda kalmadan tamamen nesneleri yerelleştirmeye ve sınıf olasılıklarını atamaya odaklanmasını sağlar.

Link to this sectionBackbone ve Neck ve Head Karşılaştırması#

Nesne tespit modellerinin mimarisini tam olarak kavramak için, backbone'u diğer iki ana bileşenden (neck ve head) ayırt etmek önemlidir.

• Backbone: The "feature extractor." It isolates essential visual information from the input image. Popular examples include Residual Networks (ResNet), originally developed by Microsoft Research, and CSPNet, which is optimized for computational efficiency.
• Neck: "Özellik toplayıcı." Backbone ile head arasında konumlanan neck, farklı ölçeklerdeki özellikleri iyileştirir ve birleştirir. Burada kullanılan yaygın bir yapı, modelin değişen boyutlardaki nesneleri tespit etme yeteneğini artıran Feature Pyramid Network (FPN)'tir.
• Head: "Tahminleyici." Tespit başlığı, sınırlayıcı kutular ve sınıf etiketleri gibi nihai çıktıyı oluşturmak için neck'ten gelen toplanmış özellikleri işler.

Link to this sectionGerçek Dünya Uygulamaları#

Backbone'lar, birçok endüstriyel ve bilimsel AI uygulamasının arkasındaki sessiz kahramanlardır. Görsel verileri genelleştirme yetenekleri, onları çeşitli sektörlerde uyarlanabilir kılar.

1. Tıbbi Tanı: Sağlık sektöründe backbone'lar, X-ışınları, BT taramaları ve MR'lar gibi karmaşık tıbbi görüntüleri analiz eder. Tıbbi görüntü analizi yaparak bu ağlar, hastalığı gösteren ince anomalileri çıkarabilir. Örneğin, özel modeller, insan gözünün kaçırabileceği kanserin erken belirtilerini tanımlayarak tümör tespiti için güçlü backbone'lardan yararlanır. Radiological Society of North America (RSNA) gibi kuruluşlar, hasta bakımında devrim yaratmak için bu derin öğrenme araçlarını desteklemektedir.

2. Otonom Sistemler: Otomotiv ve robotik endüstrilerinde backbone'lar, çevreyi yorumlamak için araç içi kameralardan gelen video beslemelerini işler. Otomotivde AI, şeritleri tespit etmek, trafik işaretlerini okumak ve yayaları gerçek zamanlı olarak tanımlamak için bu güçlü özellik çıkarıcılara güvenir. Güvenilir bir backbone, sistemin statik engeller ile hareketli araçları ayırt edebilmesini sağlar; bu, Waymo gibi şirketler tarafından geliştirilen otonom sürüş teknolojileri için kritik bir güvenlik gereksinimidir.

Link to this sectionUltralytics ile Uygulama#

State-of-the-art architectures like YOLO11 and the cutting-edge YOLO26 integrate powerful backbones by default. These components are engineered for optimal inference latency across various hardware platforms, from edge devices to high-performance GPUs.

Aşağıdaki Python kod parçası, ultralytics paketini kullanarak önceden eğitilmiş bir backbone'a sahip bir modelin nasıl yükleneceğini göstermektedir. Bu kurulum, çıkarım sırasında özellik çıkarma için otomatik olarak backbone'dan yararlanır.

from ultralytics import YOLO

# Load a YOLO26 model, which includes a pre-trained CSP backbone
model = YOLO("yolo26n.pt")

# Perform inference on an image
# The backbone extracts features, which are then used for detection
results = model("https://ultralytics.com/images/bus.jpg")

# Display the resulting detection
results[0].show()

By utilizing a pre-trained backbone, developers can perform fine-tuning on their own custom datasets using the Ultralytics Platform. This approach facilitates the rapid development of specialized models—such as those used for detecting packages in logistics—without the immense computational resources typically required to train a deep neural network from scratch.