Convolutional Neural Network (CNN)

Evrişimli Sinir Ağı (CNN), ızgara benzeri bir topolojiye sahip verileri, özellikle de dijital görüntüleri işlemek için tasarlanmış özel bir derin öğrenme mimarisidir. Görsel korteksin biyolojik yapısından ilham alan CNN'ler, giriş verilerindeki uzamsal ilişkileri koruma konusunda benzersiz bir yeteneğe sahiptir. Bir görüntüyü uzun bir sayı listesi halinde düzleştiren geleneksel sinir ağlarının aksine CNN'ler, basit kenarlardan ve dokulardan karmaşık şekillere ve nesnelere kadar özellik hiyerarşilerini otomatik olarak öğrenmek için bir görüntünün küçük, çakışan bölgelerini analiz eder. Bu yetenek, onları modern computer vision (CV) sistemlerinin temel teknolojisi haline getirir.

Evrişimli Sinir Ağları Nasıl Çalışır#

Bir CNN'in gücü, karmaşık bir görüntüyü, iyi bir tahmin elde etmek için kritik olan özellikleri kaybetmeden işlenmesi daha kolay bir forma indirgeme yeteneğinde yatar. Bu, giriş hacmini bir çıktı sınıfına veya değerine dönüştüren belirgin katmanlardan oluşan bir işlem hattı aracılığıyla gerçekleştirilir:

• Convolution Layer: Bu, temel yapı taşıdır. Giriş görüntüsü üzerinde el feneri gibi kayan bir dizi öğrenilebilir filtre (veya çekirdek) kullanır. Her konumda filtre, yatay çizgiler veya renk geçişleri gibi belirli desenleri vurgulayan bir feature map oluşturan evrişim adı verilen matematiksel bir işlem gerçekleştirir.
• Activation Function: Evrişimden sonra çıktıya doğrusal olmayan bir fonksiyon uygulanır. En yaygın seçenek, negatif piksel değerlerini sıfıra döndüren ReLU (Rectified Linear Unit) öğesidir. Bu, ağın basit doğrusal ilişkilerin ötesinde karmaşık kalıpları öğrenmesini sağlayarak doğrusalsızlık sunar.
• Pooling Layer: Alt örnekleme olarak da bilinen bu katman, özellik haritalarının boyutluluğunu azaltır. max pooling gibi teknikler, bir bölgedeki yalnızca en önemli özellikleri (en yüksek değerleri) tutar; bu da hesaplama yükünü azaltır ve overfitting durumunu önlemeye yardımcı olur.
• Fully Connected Layer: Son aşamada işlenen özellikler düzleştirilir ve standart bir neural network (NN) içine beslenir. Bu katman, "kedi" veya "köpek" gibi son bir sınıflandırma veya tahmin yapmak için önceki katmanlar tarafından tanımlanan üst düzey özellikleri kullanır.

Gerçek Dünya Uygulamaları#

CNN'ler, insanüstü accuracy ile görsel görevleri otomatikleştirerek endüstrileri dönüştürdü.

• Medical Diagnostics: Sağlık sektöründe CNN'ler, tıbbi taramalardaki anormallikleri insan gözünden daha hızlı tespit ederek radyologlara yardımcı olur. Örneğin derin öğrenme modelleri, tümörlerin veya kırıkların erken belirtilerini tespit etmek için MRI and CT scans verilerini analiz eder. AI in radiology içeren araştırmalar, bu araçların teşhis tutarlılığını ve hızını nasıl artırdığını vurgulamaktadır.
• Autonomous Systems: Sürücüsüz arabalar çevrelerini algılamak için büyük ölçüde CNN'lere güvenmektedir. YOLO26 gibi modeller, gerçek zamanlı object detection gerçekleştirmek için verimli CNN omurgalarından yararlanarak yayaları, trafik işaretlerini ve diğer araçları tanımlayıp saliselik sürüş kararları alır.

CNN'ler ve Vision Transformer'lar (ViT)#

CNN'ler uzun süredir görme görevlerinin standardı olsa da, Vision Transformer (ViT) adı verilen daha yeni bir mimari ortaya çıkmıştır.

• CNN'ler görüntüleri yerel özellikleri kullanarak işler ve "tümevarımsal önyargıları" (yakındaki piksellerin ilişkili olduğunu varsayarlar) nedeniyle daha küçük veri kümelerinde oldukça verimlidir. Kenar cihazlarında real-time inference gerektiren senaryolarda üstündürler.
• ViT'ler görüntüleri parçalara ayırır ve bunları genel self-attention mekanizmalarını kullanarak işler. Bu, bir görüntü genelindeki uzun menzilli bağımlılıkları yakalamalarına olanak tanır ancak genellikle etkili bir şekilde eğitilmek için devasa veri kümeleri ve daha fazla bilgi işlem gücü gerektirir.

Uygulama Örneği#

Modern kütüphaneler, CNN tabanlı modellerin kullanılmasını kolaylaştırır. ultralytics paketi, hızlı çıkarım için son derece optimize edilmiş CNN mimarilerine sahip YOLO26 gibi en son teknoloji ürünü modellere erişim sağlar.

Aşağıdaki örnek, önceden eğitilmiş bir CNN modelinin nasıl yükleneceğini ve nasıl tahmin yapılacağını göstermektedir:

from ultralytics import YOLO

# Load a YOLO26 model, which uses an advanced CNN architecture
model = YOLO("yolo26n.pt")

# Run inference on an image to identify objects
results = model("https://ultralytics.com/images/bus.jpg")

# Display the prediction results
results[0].show()

Geliştirme Araçları#

CNN geliştirmek, sağlam bir açık kaynak araç ekosistemi tarafından desteklenmektedir. Mühendisler genellikle özel mimariler oluşturmak için PyTorch veya TensorFlow gibi çerçeveler kullanır. Bu kütüphaneler, evrişim ve backpropagation için gereken düşük seviyeli tensör işlemlerini sağlar.

data collection aşamasından dağıtıma kadar bilgisayarla görü projelerinin yaşam döngüsünü optimize etmek isteyen ekipler için Ultralytics Platform kapsamlı bir çözüm sunar. Karmaşık iş akışlarını basitleştirerek geliştiricilerin altyapıyı yönetmek yerine iş sorunlarını çözmek için CNN'leri uygulamaya odaklanmasını sağlar. Ek olarak, modeller kenar cihazlarda yüksek performanslı dağıtım için ONNX veya TensorRT gibi biçimlere aktarılabilir.