Convolution

Convolution is a fundamental mathematical operation that serves as the core building block of modern computer vision (CV) and deep learning (DL) systems. In the context of image processing, convolution involves sliding a small filter—often called a kernel—across an input image to create a map of significant features. This process allows artificial intelligence (AI) models to automatically learn and identify patterns such as edges, textures, and shapes without human intervention. Unlike traditional machine learning (ML) which often requires manual feature extraction, convolution enables networks to build a hierarchical understanding of visual data, starting from simple lines and progressing to complex objects like faces or vehicles.

Link to this sectionEvrişim Nasıl Çalışır?#

İşlem, bir filtrenin giriş verileri üzerinde gezdirilmesi, eleman bazlı çarpma yapılması ve sonuçların toplanarak her konum için tek bir değer üretilmesiyle çalışır. Bu çıktıya öznitelik haritası denir.

• Çekirdek (Kernel): Belirli özellikleri algılayan küçük bir sayı (ağırlık) matrisidir. Örneğin, Sobel operatörü, dikey veya yatay kenarları algılamak için kullanılan özel bir çekirdek türüdür.
• Kayan Pencere: Çekirdek, "adım" (stride) adı verilen tanımlanmış bir adım boyutu kullanarak görüntü üzerinde hareket eder. Bu uzamsal filtreleme süreci, görüntüleri anlamak için kritik olan pikseller arası ilişkiyi korur.
• Katman Hiyerarşisi: Evrişimli Sinir Ağları (CNN'ler) gibi derin mimarilerde ilk katmanlar düşük seviyeli detayları yakalarken, daha derin katmanlar bunları birleştirerek üst seviye kavramlara dönüştürür.

Link to this sectionEvrişim ve İlgili Kavramlar#

Evrişimi tam olarak kavramak için, sinir ağı (NN) literatüründe sıkça karşılaşılan benzer terimlerden ayırt etmek faydalıdır:

• Çapraz Korelasyon ve Evrişim: Matematiksel olarak gerçek evrişim, çekirdeğin uygulanmadan önce döndürülmesini içerir. Ancak PyTorch kütüphanesi dahil olmak üzere çoğu derin öğrenme çerçevesi, çapraz korelasyon (döndürme olmadan kaydırma) uygular; ancak ağırlıklar eğitim sırasında öğrenildiği ve döndürme farkı performans açısından önemsiz olduğu için buna "evrişim" adını verir.
• Evrişim ve Dikkat (Attention): Evrişim bilgiyi yerel olarak (komşu piksellerle) işlerken, dikkat mekanizması bir modelin görüntünün uzak kısımlarıyla aynı anda ilişki kurmasını sağlar. YOLO26 gibi modern mimariler, dikkat katmanları hesaplama açısından daha ağır olabileceğinden gerçek zamanlı çıkarım hızlarını korumak için genellikle oldukça optimize edilmiş evrişimli katmanlar kullanır.

Link to this sectionGerçek Dünya Uygulamaları#

Evrişimin verimliliği, yapay zekanın güçlü algı sistemlerine güç vererek çeşitli endüstrilerde devrim yaratmasını sağlamıştır:

1. Tıbbi Tanı: Sağlıkta Yapay Zeka alanında evrişim, yüksek çözünürlüklü MRI taramalarını analiz etmeye yardımcı olur. Anormallikleri vurgulamak için tasarlanmış özel çekirdekler kullanarak modeller, tümörlerin veya kırıkların erken belirtilerini insan uzmanlarla yarışacak bir doğrulukla tespit edebilir.

2. Otonom Navigasyon: Kendi kendine giden araçlar, gerçek zamanlı nesne tespiti için evrişime güvenir. Araç hareket ettikçe evrişimli katmanlar video akışlarını işleyerek yayaları, şerit işaretlerini ve trafik levhalarını anında tanımlar; bu, Otomotivde Yapay Zeka güvenliğinin kritik bir bileşenidir.

Link to this sectionUltralytics ile Python Örneği#

Python kullanarak en son teknoloji modellerdeki evrişimli katmanları inceleyebilirsin. Aşağıdaki örnek YOLO26 modelini yükler ve ilk katmanının torch.nn aracılığıyla uygulanan standart bir evrişim işlemi kullandığını doğrular.

import torch.nn as nn
from ultralytics import YOLO

# Load the latest YOLO26 model
model = YOLO("yolo26n.pt")

# Access the first layer of the model's backbone
first_layer = model.model.model[0]

# Verify it is a Convolutional layer
if isinstance(first_layer.conv, nn.Conv2d):
    print("Success: The first layer is a standard convolution.")
    print(f"Kernel size: {first_layer.conv.kernel_size}")

Link to this sectionEvrişim Edge AI İçin Neden Önemli?#

Evrişimli işlemler yüksek oranda optimize edilebilirdir, bu da onları sınırlı hesaplama kaynaklarına sahip Edge AI kurulumları için ideal kılar. Aynı çekirdek tüm görüntü boyunca paylaşıldığından (parametre paylaşımı), model eski tam bağlantılı mimarilere göre çok daha az bellek gerektirir. Bu verimlilik, gelişmiş modellerin akıllı telefonlarda ve IoT cihazlarında çalışmasına olanak tanır.

Bu işlemleri özel veri kümeleri için kullanmak isteyen ekipler için Ultralytics Platform, karmaşık altyapıları yönetmek zorunda kalmadan görüntüleri etiketlemek ve evrişim tabanlı modelleri eğitmek için kesintisiz bir ortam sağlar. Transfer öğrenmeyi kullanarak, önceden eğitilmiş evrişimli ağırlıkları minimum eğitim verisi ile yeni nesneleri tanıyacak şekilde ince ayarlayabilirsin.