Kapsül Ağları (CapsNet)

Capsule Networks, often abbreviated as CapsNets, represent an advanced architecture in the field of deep learning designed to overcome specific limitations found in traditional neural networks. Introduced by Geoffrey Hinton and his team, CapsNets attempt to mimic the biological neural organization of the human brain more closely than standard models. Unlike a typical convolutional neural network (CNN), which excels at detecting features but often loses spatial relationships due to downsampling, a Capsule Network organizes neurons into groups called "capsules." These capsules encode not just the probability of an object's presence, but also its specific properties, such as orientation, size, and texture, effectively preserving the hierarchical spatial relationships within visual data.

The Limitation of Traditional CNNs

To understand the innovation of CapsNets, it is helpful to look at how standard computer vision models operate. A conventional CNN uses layers of feature extraction followed by pooling layers—specifically max pooling—to reduce computational load and achieve translational invariance. This means a CNN can identify a "cat" regardless of where it sits in the image.

However, this process often discards precise location data, leading to the "Picasso problem": a CNN might classify a face correctly even if the mouth is on the forehead, simply because all the necessary features are present. CapsNets address this by removing pooling layers and replacing them with a process that respects the spatial hierarchies of objects.

How Capsule Networks Work

The core building block of this architecture is the capsule, a nested set of neurons that outputs a vector rather than a scalar value. In vector mathematics, a vector has both magnitude and direction. In a CapsNet:

• Magnitude (Length): Represents the probability that a specific entity exists in the current input.
• Direction (Orientation): Encodes the instantiation parameters, such as the object's pose estimation, scale, and rotation.

Capsules in lower layers (detecting simple shapes like edges) predict the output of capsules in higher layers (detecting complex objects like eyes or tires). This communication is managed by an algorithm called "dynamic routing" or "routing by agreement." If a lower-level capsule's prediction aligns with the higher-level capsule's state, the connection between them is strengthened. This allows the network to recognize objects from different 3D viewpoints without requiring the massive data augmentation usually needed to teach CNNs about rotation and scale.

Temel Farklılıklar: CapsNets ve CNN'ler

Her iki mimari de bilgisayar görme (CV) için temel önemde olsa da, görsel verileri işleme ve temsil etme yöntemleri bakımından farklılık gösterir:

• Scalar vs. Vector: CNN neurons use scalar outputs to signify feature presence. CapsNets use vectors to encode presence (length) and pose parameters (orientation).
• Routing vs. Pooling: CNNs use pooling to downsample data, often losing location details. CapsNets use dynamic routing to preserve spatial data, making them highly effective for tasks requiring precise object tracking.
• Data Efficiency: Because capsules implicitly understand 3D viewpoints and affine transformations, they can often generalize from less training data compared to CNNs, which may require extensive examples to learn every possible rotation of an object.

Gerçek Dünya Uygulamaları

CapsNets, YOLO26 gibi optimize edilmiş modellerden genellikle hesaplama açısından daha pahalı olsa da, özel alanlarda belirgin avantajlar sunar: *

1. Tıbbi Görüntü Analizi: Sağlık hizmetlerinde, bir anomaliyi doğru şekilde yönlendirmek ve şekillendirmek çok önemlidir. Araştırmacılar, CapsNets'i beyin tümörü segmentasyonuna uygulamışlardır. Bu modelde, standart CNN'lerin düzeltme yapabileceği ince uzamsal hiyerarşilere dayanarak tümörü çevre dokudan ayırt etmek gerekmektedir. Tıbbi Görüntülemede Kapsül Ağları ile ilgili araştırmaları inceleyebilirsiniz.
2. Overlapping Digit Recognition: CapsNets achieved state-of-the-art results on the MNIST dataset specifically in scenarios where digits overlap. Because the network tracks the "pose" of each digit, it can disentangle two overlapping numbers (e.g., a '3' on top of a '5') as distinct objects rather than merging them into a single confused feature map.

Pratik Bağlam ve Uygulama

Kapsül Ağları öncelikle bir sınıflandırma mimarisidir. Teorik olarak sağlamlık sunsalar da, modern endüstri uygulamaları genellikle gerçek zamanlı performans için yüksek hızlı CNN'leri veya Transformatörleri tercih eder. Ancak, MNIST gibi CapsNet'ler için kullanılan sınıflandırma kriterlerini anlamak yararlıdır.

Aşağıdaki örnek, modern bir modelin nasıl eğitileceğini göstermektedir. YOLO modeli MNIST setinde kullanarak ultralytics paket. Bu, Capsule Networks'ü doğrulamak için kullanılan birincil karşılaştırma görevine paraleldir.

from ultralytics import YOLO

# Load a YOLO26 classification model (optimized for speed and accuracy)
model = YOLO("yolo26n-cls.pt")

# Train the model on the MNIST dataset
# This dataset helps evaluate how well a model learns handwritten digit features
results = model.train(data="mnist", epochs=5, imgsz=32)

# Run inference on a sample image
# The model predicts the digit class (0-9)
predict = model("https://docs.ultralytics.com/datasets/classify/mnist/")

Kapsüllerin Geleceği ve Görme Yapay Zekası

Kapsül Ağlarının arkasındaki ilkeler, AI güvenliği ve yorumlanabilirlik araştırmalarını etkilemeye devam ediyor. Kapsüller, parça-bütün ilişkilerini açıkça modelleyerek, derin sinir ağlarının "kara kutu" yapısına alternatif bir "cam kutu" sunarak kararları daha açıklanabilir hale getiriyor. Gelecekteki gelişmeler, kapsüllerin uzamsal sağlamlığını, YOLO11 gibi mimarilerin çıkarım hızıyla birleştirmeyi hedefliyor. YOLO11 veya daha yeni YOLO26 gibi mimarilerin çıkarım hızıyla birleştirerek 3D nesne algılama ve robotikte performansı artırmayı hedefliyor. Araştırmacılar ayrıca , anlaşma algoritmasının hesaplama maliyetini daha da azaltmak için EM Yönlendirmeli Matris Kapsülleri'ni araştırıyor.

For developers looking to manage datasets and train models efficiently, the Ultralytics Platform provides a unified environment to annotate data, train in the cloud, and deploy models that balance the speed of CNNs with the accuracy required for complex vision tasks.