Convolutional Neural Network (CNN)

Evrişimli Sinir Ağı (CNN), özellikle dijital görüntüler olmak üzere ızgara benzeri topolojiye sahip verileri işlemek için tasarlanmış özel bir derin öğrenme mimarisidir. Biyolojik görsel korteksin yapısından ilham alan CNN'ler, girdi verilerindeki uzamsal ilişkileri koruma konusunda benzersiz yeteneklere sahiptir. Bir görüntüyü uzun bir sayı listesine düzleştiren geleneksel sinir ağlarının aksine CNN'ler, basit kenarlardan ve dokulardan karmaşık şekillere ve nesnelere kadar özellik hiyerarşilerini otomatik olarak öğrenmek için görüntünün küçük ve örtüşen bölgelerini analiz eder. Bu yetenek, CNN'leri modern bilgisayarlı görü (CV) sistemlerinin temel teknolojisi hâline getirir.

Evrişimli Sinir Ağları Nasıl Çalışır#

Bir CNN'in gücü, iyi bir tahmin elde etmek için kritik olan özellikleri kaybetmeden karmaşık bir görüntüyü işlenmesi daha kolay bir biçime dönüştürebilmesinden gelir. Bu işlem, girdi hacmini bir çıktı sınıfına veya değerine dönüştüren farklı katmanlardan oluşan bir işlem hattı aracılığıyla gerçekleştirilir:

• Evrişim Katmanı: Bu, temel yapı taşıdır. El feneri gibi girdi görüntüsünün üzerinde kayan, öğrenilebilir filtreler (veya çekirdekler) kullanır. Filtre, her konumda evrişim adı verilen matematiksel bir işlem gerçekleştirerek yatay çizgiler veya renk geçişleri gibi belirli desenleri vurgulayan bir özellik haritası oluşturur.
• Aktivasyon Fonksiyonu: Evrişimden sonra çıktıya doğrusal olmayan bir fonksiyon uygulanır. En yaygın tercih, negatif piksel değerlerini sıfıra dönüştüren ReLU (Düzeltilmiş Doğrusal Birim) fonksiyonudur. Bu, doğrusal olmayanlık sağlayarak ağın basit doğrusal ilişkilerin ötesindeki karmaşık desenleri öğrenmesine olanak tanır.
• Havuzlama Katmanı: Alt örnekleme olarak da bilinen bu katman, özellik haritalarının boyutluluğunu azaltır. Maksimum havuzlama gibi teknikler, bir bölgedeki yalnızca en önemli özellikleri (en yüksek değerleri) korur; bu da hesaplama yükünü azaltır ve aşırı öğrenmeyi önlemeye yardımcı olur.
• Tam Bağlantılı Katman: Son aşamada işlenen özellikler düzleştirilir ve standart bir sinir ağına (NN) aktarılır. Bu katman, önceki katmanlar tarafından belirlenen üst düzey özellikleri kullanarak "kedi" veya "köpek" gibi nihai bir sınıflandırma ya da tahmin yapar.

Gerçek Dünya Uygulamaları#

CNN'ler, görsel görevleri insanüstü doğrulukla otomatikleştirerek sektörleri dönüştürdü.

• Tıbbi Tanı: Sağlık hizmetlerinde CNN'ler, tıbbi taramalardaki anormallikleri insan gözünden daha hızlı belirleyerek radyologlara yardımcı olur. Örneğin derin öğrenme modelleri, tümörlerin veya kırıkların erken belirtilerini tespit etmek için MRI ve CT taramalarını analiz eder. Radyolojide yapay zekâ araştırmaları, bu araçların tanı tutarlılığını ve hızını nasıl artırdığını ortaya koyar.
• Otonom Sistemler: Otonom araçlar, çevrelerini algılamak için büyük ölçüde CNN'lere güvenir. YOLO26 gibi modeller, gerçek zamanlı nesne algılama gerçekleştirmek için verimli CNN omurgalarından yararlanır; yayaları, trafik işaretlerini ve diğer araçları belirleyerek anlık sürüş kararları alınmasını sağlar.

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

CNN'ler uzun süredir görsel görevlerde standart olarak kullanılırken, Görsel Transformer (ViT) adı verilen daha yeni bir mimari ortaya çıktı.

• CNN'ler, görüntüleri yerel özellikleri kullanarak işler ve "endüktif ön yargıları" (yakındaki piksellerin ilişkili olduğunu varsayarlar) sayesinde daha küçük veri kümelerinde son derece verimlidir. Uç cihazlarda gerçek zamanlı çıkarım gerektiren senaryolarda başarılıdırlar.
• ViT'ler, görüntüleri parçalara böler ve bunları küresel öz-dikkat mekanizmalarını kullanarak işler. Bu, görüntü genelindeki uzun menzilli bağımlılıkları yakalamalarını sağlar; ancak etkili bir şekilde eğitilmeleri için genellikle çok büyük veri kümeleri ve daha fazla hesaplama gücü gerekir.

Uygulama Örneği#

Modern kütüphaneler, CNN tabanlı modelleri kullanmayı kolaylaştırır. ultralytics paketi, hızlı çıkarım için yüksek düzeyde optimize edilmiş CNN mimarilerine sahip YOLO26 gibi son teknoloji modellere erişim sağlar.

Aşağıdaki örnek, önceden eğitilmiş bir CNN modelinin nasıl yükleneceğini ve bir tahminin nasıl çalıştırılacağını gösterir:

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 geliştirme, güçlü bir açık kaynak araç ekosistemi tarafından desteklenir. Mühendisler, özel mimariler oluşturmak için genellikle PyTorch veya TensorFlow gibi çerçeveleri kullanır. Bu kütüphaneler, evrişim ve geri yayılım için gereken düşük seviyeli tensör işlemlerini sağlar.

Veri toplama aşamasından dağıtıma kadar bilgisayarlı görü projelerinin yaşam döngüsünü kolaylaştırmak 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. Ayrıca modeller, uç cihazlarda yüksek performanslı dağıtım için ONNX veya TensorRT gibi biçimlere aktarılabilir.