Evrişimsel Sinir Ağı (CNN)

Evrişimsel Sinir Ağı (CNN), görüntüler gibi ızgara benzeri bir topolojiye sahip verileri işlemek için oldukça etkili olan özel bir sinir ağı (NN ) türüdür. İnsan görsel korteksinden esinlenen CNN'ler, girdi verilerinden özelliklerin uzamsal hiyerarşilerini otomatik ve uyarlamalı olarak öğrenir. Bu, onları görüntü sınıflandırmadan nesne algılamaya kadar her konuda en son teknolojiye sahip sonuçlar elde ettikleri çoğu modern bilgisayarla görme (CV) görevi için temel mimari haline getirir.

Cnn'in Çalışma Şekli

Bir katmandaki her nöronun bir sonraki katmandaki her nörona bağlı olduğu standart bir sinir ağının aksine, CNN'ler konvolüsyon adı verilen özel bir matematiksel işlem kullanır. Bu, ağın pikseller arasındaki uzamsal ilişkileri koruyarak yerel bir alıcı alandaki özellikleri öğrenmesini sağlar.

Tipik bir CNN mimarisi birkaç temel katmandan oluşur:

1. Evrişimsel Katman: Bu, bir filtrenin veya çekirdeğin özellik haritaları üretmek için giriş görüntüsü üzerinde kaydığı temel yapı taşıdır. Bu haritalar kenarlar, köşeler ve dokular gibi desenleri vurgular. Bu filtrelerin boyutu ve tespit ettikleri desenler model eğitimi sırasında öğrenilir.
2. Aktivasyon Katmanı: Her bir konvolüsyondan sonra, modelin daha karmaşık örüntüleri öğrenmesine olanak tanıyan doğrusal olmayanlığı tanıtmak için ReLU gibi bir aktivasyon fonksiyonu uygulanır.
3. Havuzlama (Alt Örnekleme) Katmanı: Bu katman, özellik haritalarının uzamsal boyutlarını (genişlik ve yükseklik) azaltarak hesaplama yükünü azaltır ve tespit edilen özelliklerin konum ve yön değişikliklerine karşı daha sağlam olmasına yardımcı olur. Konuyla ilgili klasik bir makale ImageNet Classification with Deep Convolutional Neural Networks'tür.
4. Tam Bağlantılı Katman: Birkaç evrişimsel ve havuzlama katmanından sonra, üst düzey özellikler düzleştirilir ve öğrenilen özelliklere göre sınıflandırma yapan tam bağlı bir katmana aktarılır.

Cnn Diğer Mimarilere Karşı

CNN'ler bir tür derin öğrenme modeli olsa da, diğer mimarilerden önemli ölçüde farklıdırlar.

• Sinir Ağları (NN'ler): Standart bir NN, giriş verilerini düz bir vektör olarak ele alır ve tüm uzamsal bilgileri kaybeder. CNN'ler bu bilgileri korur, bu da onları görüntü analizi için ideal hale getirir.
• Vizyon Dönüştürücüler (ViT'ler): Mekansal yerellik için güçlü bir tümevarımsal önyargıya sahip olan CNN'lerin aksine, ViTs bir görüntüyü yamalar dizisi olarak ele alır ve bir öz-dikkat küresel ilişkileri öğrenme mekanizması. ViT'lerin eğitilmesi için genellikle daha fazla veri gerekir, ancak uzun vadeli bağlamın önemli olduğu görevlerde başarılı olabilirler. Birçok modern model, örneğin RT-DETRbir CNN'i birleştiren hibrit bir yaklaşım kullanır backbone Transformatör tabanlı detection head.

Gerçek Dünya Uygulamaları

CNN'ler sayısız gerçek dünya uygulamasının arkasındaki itici güçtür:

• Nesne Algılama: Ultralytics YOLO ailesinden YOLOv8 ve YOLO11 gibi modeller, görüntü ve videolardaki nesneleri olağanüstü hız ve doğrulukla tanımlamak ve bulmak için CNN omurgalarını kullanır. Bu teknoloji, otomotiv sistem lerindeki yapay zek adan yapay zekaya dayalı envanter yönetimine kadar her şey için çok önemlidir.
• Tıbbi Görüntü Analizi: Sağlık hizmetlerinde CNN'ler tümörleri, kırıkları ve diğer anomalileri tespit etmek için tıbbi taramaları (X-ışınları, MRI'lar, CT'ler) analiz ederek radyologlara yardımcı olur. Bu uygulama, Ulusal Sağlık Enstitüleri (NIH) gibi kurumların araştırmalarında vurgulandığı gibi teşhis hızını ve tutarlılığını artırmaya yardımcı olur. Daha fazla bilgi için Ultralytics ile tıbbi görüntü analizini keşfedebilirsiniz.
• Görüntü Segmentasyonu: Yolu bir yayadan ayırt etmesi gereken otonom araçlarda olduğu gibi piksel düzeyinde anlama gerektiren görevler için, U-Net gibi CNN tabanlı mimariler görüntü segmentasyonu için yaygın olarak kullanılmaktadır.

Araçlar ve Çerçeveler

CNN'lerin geliştirilmesi ve dağıtılması güçlü araçlar ve çerçevelerle desteklenmektedir:

• Kütüphaneler: PyTorch ( PyTorch resmi sitesine bakın) ve TensorFlow gibi popüler kütüphaneler, CNN'ler oluşturmak ve eğitmek için üst düzey API'ler sağlar. Keras gibi üst düzey API'ler geliştirmeyi daha da basitleştirir.
• Platformlar: Ultralytics HUB gibi platformlar, veri kümelerini yönetmekten modelleri eğitmeye ve dağıtmaya kadar tüm süreci kolaylaştırır. Etkili model oluşturma genellikle dikkatli hiperparametre ayarı gerektirir ve kapsamlı model eğitim ipuçlarından yararlanır. Optimize edilmiş performans için OpenVINO ve TensorRT gibi entegrasyonları keşfedebilirsiniz.