Backbone

Omurga, ham verileri anlamlı temsillere dönüştüren birincil motor olarak görev yapan, derin öğrenme mimarisinin temel özellik çıkarma bileşenidir. Bilgisayarlı görü bağlamında omurga, genellikle giriş görüntülerini işleyerek hiyerarşik örüntüleri belirleyen bir sinir ağı içindeki katmanlar dizisinden oluşur. Bu örüntüler kenarlar ve dokular gibi basit düşük düzeyli özelliklerden şekiller ve nesneler gibi karmaşık yüksek düzeyli kavramlara kadar uzanır. Genellikle özellik haritası olarak adlandırılan omurga çıktısı, sınıflandırma veya algılama gibi belirli görevleri gerçekleştiren sonraki bileşenler için girdi görevi görür.

Omurganın Rolü#

Omurganın temel işlevi, belirli kararlar alınmadan önce bir görüntünün görsel içeriğini "görmek" ve anlamaktır. Omurga, piksel değerlerini yoğunlaştırılmış ve bilgi açısından zengin bir biçime dönüştüren evrensel bir çevirmen gibi çalışır. Modern omurgaların çoğu Evrişimli Sinir Ağlarına (CNN) veya Görsel Transformer'lara (ViT) dayanır ve sıklıkla ImageNet gibi büyük veri kümeleri üzerinde önceden eğitilir. Aktarım öğrenmesinin temel bir unsuru olan bu ön eğitim süreci, modelin daha önce öğrenilmiş görsel özelliklerden yararlanmasını sağlar ve belirli bir uygulama için yeni bir modeli eğitmek üzere gereken veri ve süreyi önemli ölçüde azaltır.

Örneğin, Ultralytics YOLO26 kullanıldığında mimari, çok ölçekli özellikleri verimli bir şekilde çıkaran yüksek düzeyde optimize edilmiş bir omurga içerir. Bu sayede ağın sonraki bölümleri, temel görsel yapıların nasıl tanınacağını baştan öğrenmeye gerek kalmadan tamamen nesnelerin konumunu belirlemeye ve sınıf olasılıklarını atamaya odaklanabilir.

Omurga ve Boyun ve Baş Karşılaştırması#

Nesne algılama modellerinin mimarisini tam olarak kavramak için omurgayı diğer iki ana bileşen olan boyun ve baştan ayırt etmek gerekir.

• Omurga: "Özellik çıkarıcı." Giriş görüntüsündeki temel görsel bilgileri ayıklar. Popüler örnekler arasında, ilk olarak Microsoft Research tarafından geliştirilen Artık Ağlar (ResNet) ve hesaplama verimliliği için optimize edilmiş CSPNet bulunur.
• Boyun: "Özellik birleştirici." Omurga ile baş arasında konumlanan boyun, farklı ölçeklerdeki özellikleri iyileştirir ve birleştirir. Burada kullanılan yaygın yapılardan biri, modelin farklı boyutlardaki nesneleri algılama yeteneğini artıran Özellik Piramidi Ağıdır (FPN).
• Baş: "Tahminci." Algılama başı, sınırlayıcı kutular ve sınıf etiketleri gibi nihai çıktıyı oluşturmak için boyundan gelen birleştirilmiş özellikleri işler.

Gerçek Dünya Uygulamaları#

Omurgalar, birçok endüstriyel ve bilimsel yapay zekâ uygulamasının arkasındaki sessiz emekçilerdir. Görsel verileri genelleştirme yetenekleri, onları çeşitli sektörlere uyarlanabilir kılar.

1. Tıbbi Tanı: Sağlık hizmetlerinde omurgalar, röntgen, BT taramaları ve MR gibi karmaşık tıbbi görüntüleri analiz eder. Tıbbi görüntü analizi gerçekleştiren bu ağlar, hastalığa işaret eden ince anormallikleri çıkarabilir. Örneğin, özel modeller tümör algılama için güçlü omurgalardan yararlanarak insan gözünün gözden kaçırabileceği erken kanser belirtilerini tespit eder. Kuzey Amerika Radyoloji Derneği (RSNA) gibi kuruluşlar, hasta bakımında devrim yaratmak için bu derin öğrenme araçlarının kullanılmasını savunur.

2. Otonom Sistemler: Otomotiv ve robotik sektörlerinde omurgalar, çevreyi yorumlamak için araç üzerindeki kameralardan gelen video akışlarını işler. Otomotivde yapay zekâ, şeritleri algılamak, trafik işaretlerini okumak ve yayaları gerçek zamanlı olarak belirlemek için bu sağlam özellik çıkarıcılara dayanır. Güvenilir bir omurga, sistemin sabit engeller ile hareket hâlindeki araçları birbirinden ayırt etmesini sağlar; bu da Waymo gibi şirketler tarafından geliştirilen otonom sürüş teknolojileri için kritik bir güvenlik gereksinimidir.

Ultralytics ile Uygulama#

YOLO11 gibi son teknoloji mimariler ve en gelişmiş YOLO26, varsayılan olarak güçlü omurgaları entegre eder. Bu bileşenler, uç cihazlardan yüksek performanslı GPU'lara kadar çeşitli donanım platformlarında en iyi çıkarım gecikmesini sağlayacak şekilde tasarlanmıştır.

Aşağıdaki Python kod parçacığı, ultralytics paketi kullanılarak önceden eğitilmiş bir omurgaya sahip modelin nasıl yükleneceğini gösterir. Bu kurulum, çıkarım sırasında özellik çıkarma için omurgadan otomatik olarak 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()

Geliştiriciler, önceden eğitilmiş bir omurga kullanarak Ultralytics Platform üzerinde kendi özel veri kümelerinde ince ayar gerçekleştirebilir. Bu yaklaşım, bir derin sinir ağını sıfırdan eğitmek için genellikle gereken muazzam hesaplama kaynaklarına ihtiyaç duymadan, lojistikte paketleri algılama gibi görevlerde kullanılan özel modellerin hızlı bir şekilde geliştirilmesini kolaylaştırır.