Evrişimsel Sinir Ağı (CNN)

Konvolüsyonel Sinir Ağı (CNN), özel bir sinir ağı sınıfıdır. için tasarlanmış derin öğrenme (DL) mimarisi dijital görüntüler gibi ızgara benzeri bir topolojiye sahip verileri işler. Biyolojik yapısından esinlenerek hayvan görsel korteksi, CNN'ler benzersiz bir şekilde özelliklerin uzamsal hiyerarşilerini otomatik olarak öğrenir. Giriş verilerini bir veri olarak ele alan geleneksel sinir ağlarının aksine CNN'ler pikseller arasındaki uzamsal ilişkileri korur ve bu da onları temel teknoloji haline getirir çoğu modern bilgisayarla görme (CV) uygulamaları. Tarafından Anlamlı örüntüler çıkarmak için girdileri verimli bir şekilde filtreleyen bu ağlar, yüz akıllı telefonlarda tanıma ve teşhis araçlarına tıbbi görüntü analizi.

Evrişimsel Sinir Ağları Nasıl Çalışır?

Bir CNN'in etkinliği, görüntüleri kaybetmeden işlenmesi daha kolay bir forma indirgeme yeteneğinde yatmaktadır iyi bir tahmin elde etmek için kritik olan özellikler. Bu, bir dizi özel katman aracılığıyla gerçekleştirilir:

1. Evrişimsel Katman: Bu temel yapı taşıdır. Bir dizi öğrenilebilir filtre kullanır, genellikle çekirdek adı verilen ve giriş görüntüsü üzerinde kayan bir yapıdır. olarak bilinen bu matematiksel süreç konvolüsyon, üretir gibi belirli kalıpları vurgulayan özellik haritaları kenarlar, eğriler veya dokular gibi. Bu süreci şu şekilde görselleştirebilirsiniz filtrelerin nasıl çıkarıldığını görmek için interaktif CNN açıklamaları görsel veri.
2. Aktivasyon Fonksiyonu: Konvolüsyondan sonra, özellik haritalarına doğrusal olmayan bir fonksiyon uygulanır. Bu en yaygın seçim ReLU (Doğrultulmuş Lineer Birim), hangi negatif piksel değerlerini sıfır ile değiştirir. Bu, doğrusal olmayan bir özellik sunarak ağın karmaşık değerleri öğrenmesini sağlar. sadece doğrusal kombinasyonlardan ziyade ilişkiler.
3. Havuzlama Katmanı: Aşağı örnekleme olarak da bilinen bu katman, özelliğin boyutluluğunu azaltır harita. Maksimum havuzlama gibi teknikler en öne çıkanları seçer bir bölgedeki özellikler, hesaplama yükünü azaltır ve modelin genelleşmesine yardımcı olur. aşırı uyum.
4. Tam Bağlantılı Katman: Son aşamalarda, üst düzey özellikler düzleştirilir ve bir standart sinir ağı (NN). Bu katman önceki katmanlar tarafından çıkarılan özelliklere dayalı olarak nihai sınıflandırma veya regresyon görevini gerçekleştirir.

Önemi ve Gerçek Dünya Uygulamaları

CNN'ler, manuel özellik çıkarma ihtiyacını ortadan kaldırarak yapay zeka alanında devrim yaratmıştır. Ayırt edici özellikleri doğrudan eğitim verilerinin yaygın olarak benimsenmesine yol açmıştır. çeşitli sektörler.

• Otonom Sistemler için Nesne Algılama: Otomotiv endüstrisinde, CNN'ler aşağıdakileri sağlamak için kritik öneme sahiptir algılamak için kendi kendine giden arabalar çevre. Gibi modeller YOLO11 CNN tabanlı bir backbone yayaları, trafik işaretlerini ve diğer işaretleri detect etmek için araçları yüksek doğrulukla gerçek zamanlı olarak.
• Sağlık Teşhisi: CNN'ler tıbbi taramalardaki anormallikleri tespit ederek radyologlara yardımcı olur. İçin Örneğin, derin öğrenme modelleri X-ışınlarını veya MRI taramalarını analiz ederek tümörleri veya kırıkları insanlardan daha hızlı detect edebilir. tek başına denetim. Türkiye'den Araştırma Ulusal Sağlık Enstitüleri (NIH) bu otomatik araçların teşhis tutarlılığını nasıl önemli ölçüde artırdığını göstermektedir.
• Perakende ve Envanter Yönetimi: Otomatik ödeme sistemleri ve akıllı envanter yönetimi raflardaki ürünleri tanımak, stok seviyelerini track etmek ve kayıpları önlemek için CNN'lere güvenerek büyük perakendeciler.

CNN'leri İlgili Kavramlardan Ayırt Etme

Genellikle genel yapay zeka terimleriyle birbirinin yerine kullanılsa da, CNN'ler diğer yapay zeka terimleriyle karşılaştırıldığında farklı özelliklere sahiptir mimariler:

• CNN ve Standart Sinir Ağları: Geleneksel tam bağlantılı bir sinir ağı her girişi birbirine bağlar nöronu her çıkış nöronuna bağlar. Görüntülere uygulandığında, bu durum çok sayıda parametreye ve uzamsal yapı. Buna karşılık, CNN'ler parametre paylaşımını kullanır (aynı filtreyi tüm görüntü), bu da onları görsel veriler için oldukça verimli kılar.
• CNN ve Görme Dönüştürücüler (ViT): CNN'ler konvolüsyon yoluyla yerel özelliklere odaklanırken, Görüntü Dönüştürücüler (ViT) görüntüleri işler kullanarak yama dizileri olarak küresel dikkati yakalamak için öz dikkat mekanizması bağlam. ViT'ler etkili bir şekilde eğitilmek için genellikle daha büyük veri kümelerine ihtiyaç duyarken, CNN'ler güçlü bir "tümevarımsal önyargısı" daha küçük veri kümelerinde bile iyi performans göstermelerini sağlar. Hibrit modeller genellikle her ikisini de birleştirir gibi mimariler RT-DETR.

Uygulama Örneği

Modern kütüphaneler, CNN'lerin gücünden yararlanmayı kolaylaştırır. Bu ultralytics paketi şunları sağlar hızlı çıkarım için optimize edilmiş CNN omurgalarına sahip YOLO11 gibi son teknoloji modellere erişim.

Aşağıdaki örnekte önceden eğitilmiş CNN tabanlı bir modelin nasıl yükleneceği ve bir tahminin nasıl çalıştırılacağı gösterilmektedir:

from ultralytics import YOLO

# Load a YOLO11 model, which uses a highly optimized CNN architecture
model = YOLO("yolo11n.pt")

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

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

Geliştirme için Araçlar ve Çerçeveler

CNN'lerin geliştirilmesi, açık kaynaklı araçlardan oluşan sağlam bir ekosistem tarafından desteklenmektedir. Araştırmacılar ve mühendisler genellikle gibi çerçeveler PyTorch veya TensorFlow sıfırdan özel mimariler oluşturmak için. Bu kütüphaneler konvolüsyon ve geriye yayılma için gereken düşük seviyeli tensor işlemlerini sağlar.

Veri yönetiminden dağıtıma kadar bilgisayarla görme projelerinin yaşam döngüsünü kolaylaştırmak isteyenler için Yaklaşan Ultralytics Platformu kapsamlı bir çözüm sunuyor. Karmaşık iş akışlarını basitleştirir model eğitimine dahil olur ve ekiplerin aşağıdakilere odaklanmasını sağlar Altyapıyı yönetmek yerine iş sorunlarını çözmek için CNN'leri uygulamak. Ayrıca, bu modellerin aşağıdakilere uygulanması gibi formatlar tarafından kolaylaştırılır. ONNX ve TensorRTÜretimde yüksek performansın sağlanması ortamlar.