Evrişim

Konvolüsyon, modern teknolojinin temel yapı taşı olarak hizmet veren özel bir matematiksel işlemdir. bilgisayarla görme (CV) sistemleri. Bu bağlamda yapay zeka (AI), konvolüsyon, modellerin görüntüler gibi ızgara benzeri verileri, girdileri sistematik olarak filtreleyerek işlemesini sağlar anlamlı modeller. Manuel kural belirleme gerektiren geleneksel algoritmaların aksine, konvolüsyon otomatik olarak öğrenmek için sinir ağı Basit kenarlar ve dokulardan karmaşık nesne şekillerine kadar değişen özellik hiyerarşileri, biyolojik Beynin görsel korteksinde gözlemlenen süreçler.

Konvolüsyon Mekaniği

İşlem, küçük bir sayı matrisini kaydırarak çalışır. çekirdek veya filtre, bir giriş görüntüsü boyunca. Her birinde konumunda, çekirdek örtüşen piksel değerleriyle eleman bazında bir çarpma işlemi gerçekleştirir ve sonuçları toplayarak tek bir çıkış pikseli üretir. Bu süreç bir belirli alanların altını çizen özellik haritası desenleri tespit edilir.

Bir konvolüsyonun nasıl davrandığını tanımlayan temel parametreler şunlardır:

• Çekirdek Boyutu: Girişin alanını belirleyen filtrenin boyutları (örneğin, 3x3 veya 5x5) aynı anda değerlendirilir, genellikle alıcı alan.
• Adım: Filtrenin görüntü boyunca hareket ettiği adım boyutu. Daha büyük bir adım daha küçük çıktı ile sonuçlanır boyutları, verileri etkin bir şekilde aşağı örnekleme.
• Dolgu: Girdinin uzamsal boyutunu kontrol etmek için girdiye sınır piksellerinin (genellikle sıfırlar) eklenmesi çıktı, ayrıntılı olarak açıklanan bir kavram PyTorch belgeleri.

Derin Öğrenmede Uygunluk

Konvolüsyon, birincil motorun arkasındaki Evrişimsel Sinir Ağları (CNN'ler). Önemi iki ana özellikte yatmaktadır: parametre paylaşımı ve mekansal yerellik. Aynı şeyi kullanarak model ağırlıkları (kernel) tüm görüntü boyunca ağ hesaplama açısından verimli olmaya devam eder ve çeviri değişmezliği, Yani bir nesneyi karenin neresinde göründüğüne bakmaksızın tanıyabilir. Bu verimlilik, sofistike gibi mimariler YOLO11 üzerinde gerçek zamanlı çıkarım yapmak için güçlü GPU'lardan kısıtlı kaynaklara kadar çeşitli donanımlar Edge AI cihazları.

Gerçek Dünya Uygulamaları

Konvolüsyonun faydası, görsel verilerin kullanıldığı neredeyse tüm sektörleri kapsar:

• Tıbbi Görüntü Analizi: İçinde Sağlık hizmetlerinde yapay zeka, konvolüsyon algoritmalara izin verir taramak için MRI ve CT taramaları küçük anormallikleri tanımlayabilir. Örneğin, düzensiz dokuları vurgulamak için belirli çekirdekler eğitilebilir erken evre tümörlerle ilişkilendirilerek radyologların doğru tanı koymasına yardımcı olur.
• Otonom Navigasyon: Sürücüsüz otomobiller için büyük ölçüde konvolüsyon nesne algılama ve görüntü segmentasyonu. Sistem videoyu işler yol şeritleri, yayalar ve trafik işaretleri arasında ayrım yapabilmesini sağlayarak otomotiv yapay zekası güvenli, anlık sürüş kararları.

Konvolüsyon ve Tam Bağlantılı Katmanlar

Konvolüsyonu tam bağlı (yoğun) katmanlardan ayırt etmek önemlidir. Tam bağlantılı bir katmanında, her giriş nöronu her çıkış nöronuna bağlanır, bu da hesaplama açısından pahalıdır ve uzamsal görüntülerin yapısı. Tersine, konvolüsyon uzamsal ilişkileri korur ve büyük ölçüde yüksek boyutlu parametrelerde aşırı uyumu önler veri. Yoğun katmanlar genellikle son sınıflandırma için kullanılırken, konvolüsyonel katmanlar ağır işlerin üstesinden gelir. özellik çıkarma.

Ultralytics ile Konvolüsyon Uygulama

Modern nesne dedektörlerinin konvolüsyonel mimarisini şu şekilde görselleştirebilirsiniz ultralytics paketi. Aşağıdaki kod bir YOLO11 modelini ve yapısını yazdırarak Conv2d işleme için kullanılan katmanlar.

from ultralytics import YOLO

# Load a pretrained YOLO11 model
model = YOLO("yolo11n.pt")

# Print the model architecture to observe Conv2d layers
# These layers perform the convolution operations to extract features
print(model.model)