Feature Extraction

Öznitelik çıkarımı, ham ve yüksek boyutlu verileri rafine bir bilgilendirici öznitelikler veya "özellikler" setine dönüştüren machine learning (ML) içinde dönüştürücü bir süreçtir. Yüksek çözünürlüklü görüntüler, ses akışları veya yapılandırılmamış metin gibi ham girdi verileri, algoritmaların etkili bir şekilde işleyemeyeceği kadar hacimli ve gereksiz bilgilere sahip olabilir. Öznitelik çıkarımı, girdiyi en temel bileşenlerine indirgeyerek bunu çözer; predictive modeling için gereken kritik bilgileri korurken gürültüyü ve alakasız arka plan detaylarını atar. Bu azaltım, curse of dimensionality etkisini hafifletmek, modellerin hesaplama açısından verimli kalmasını ve yeni, görülmemiş verilere iyi bir şekilde genelleme yapabilmesini sağlamak için hayati önem taşır.

Derin Öğrenmede Öznitelik Çıkarımının Rolü#

Geleneksel bilgisayarlı görü çağında, uzmanlar görüntülerdeki anahtar noktaları belirlemek için Scale-Invariant Feature Transform (SIFT) gibi manuel tekniklere güveniyorlardı. Ancak modern deep learning (DL), öznitelik keşfini otomatikleştirerek bu iş akışında devrim yarattı.

Sinir ağları, özellikle Convolutional Neural Networks (CNNs), öznitelik çıkarımını hiyerarşik olarak gerçekleştirmek için backbone olarak bilinen özel bir mimari bileşen kullanır. Veriler ağ katmanlarından geçerken çıkarılan özniteliklerin karmaşıklığı artar:

• Sığ Katmanlar: Bu ilk katmanlar, kenar dedektörleri gibi davranarak çizgiler, köşeler ve renk gradyanları gibi basit, düşük seviyeli yapıları tanımlar.
• Derin Katmanlar: Ağ derinleştikçe, bu basit öğeler aracın şekli, insan yüzü veya belirli hayvan işaretleri gibi yüksek seviyeli, anlamsal temsiller halinde birleştirilir.

Bu öğrenilen temsiller, daha sonra object detection veya görüntü sınıflandırma gibi görevleri gerçekleştirmek üzere bir algılama kafasına aktarılan feature maps içinde saklanır.

Gerçek Dünya Uygulamaları#

Öznitelik çıkarımı, birçok gelişmiş yapay zeka yeteneğinin arkasındaki motor görevi görerek ham duyusal girdileri farklı endüstrilerde eyleme dönüştürülebilir içgörülere dönüştürür.

• Tıbbi Teşhis: AI in healthcare alanında modeller, MRI veya BT taramaları gibi karmaşık tıbbi görüntüleri analiz eder. Gelişmiş öznitelik çıkarma algoritmaları, erken evre patolojilere işaret edebilecek doku yoğunluğu veya dokusundaki ince anormallikleri belirler. Bu kritik görsel işaretleri izole ederek sistemler, radyologlara tumor detection konusunda önemli ölçüde daha yüksek doğruluk ve hızla yardımcı olabilir.
• Otonom Sürüş: Otonom araçlar güvenli bir şekilde seyahat etmek için gerçek zamanlı öznitelik çıkarımına güvenir. Yerleşik kameralar, şerit çizgileri, trafik ışıkları ve yaya hareketleriyle ilgili öznitelikleri anında çıkaran computer vision (CV) modellerine video akışı sağlar. Bu yetenek, autonomous vehicles araçların dinamik ortamlarda anlık kararlar almasını sağlar.
• Ses İşleme: Ses asistanlarında ham ses dalga biçimleri spektrogramlara dönüştürülür. Algoritmalar daha sonra fonetik özellikleri, perdeyi ve tonu çıkararak speech-to-text sistemlerinin konuşanın aksanından veya arka plan gürültüsünden bağımsız olarak söylenen dili anlamasını sağlar.

Ultralytics YOLO ile Öznitelik Çıkarımı#

Ultralytics YOLO26 gibi son teknoloji mimariler, güçlü öznitelik çıkarma omurgalarını doğrudan tasarımlarına entegre eder. Çıkarım çalıştırdığınızda model, sınırlayıcı kutuları ve sınıf etiketlerini tahmin etmeden önce ilgili öznitelikleri çıkarmak için görüntüyü otomatik olarak işler.

Aşağıdaki örnek, bir görüntüyü işlemek için önceden eğitilmiş bir modelin nasıl kullanılacağını göstermektedir. Kod basit olsa da, model nesneleri konumlandırmak için dahili olarak karmaşık bir öznitelik çıkarımı gerçekleştirmektedir:

from ultralytics import YOLO

# Load a pretrained YOLO26 model, which includes a learned feature extraction backbone
model = YOLO("yolo26n.pt")

# Perform inference on an image
# The model internally extracts features to locate and classify objects
results = model("https://ultralytics.com/images/bus.jpg")

# Display the resulting bounding boxes
results[0].show()

Bu öznitelik çıkarıcıları eğitmek için kullanılan veri kümelerini yönetmek isteyen ekipler için Ultralytics Platform; etiketleme, eğitim ve dağıtım için kapsamlı bir çözüm sunar.

İlgili Terimleri Ayırt Etme#

Veri bilimi hattını tam olarak kavramak için öznitelik çıkarımını benzer kavramlardan ayırmak faydalıdır.

• Öznitelik Çıkarımı ve Feature Engineering: Genellikle birlikte tartışılsalar da öznitelik mühendisliği, yeni değişkenler oluşturmak için domain knowledge kullanılan (örneğin "fiyat" ve "alan" değerlerinden "metrekare başına fiyat" hesaplamak gibi) manuel bir süreci ima eden daha geniş bir terimdir. Öznitelik çıkarımı, yüksek boyutlu verileri (piksel gibi) daha düşük boyutlu bir feature vector haline getiren—genellikle derin öğrenmede otomatize edilmiş—özel bir tekniktir.
• Öznitelik Çıkarımı ve Feature Selection: Öznitelik seçimi, mevcut özellikleri değiştirmeden bir alt kümesini seçmeyi ve gürültüyü azaltmak için yalnızca daha az önemli olanları kaldırmayı içerir. Öznitelik çıkarımı ise bunun aksine, Principal Component Analysis (PCA) veya öğrenilmiş ağ ağırlıkları aracılığıyla orijinal veri noktalarını dönüştürerek ve birleştirerek yeni özellikler oluşturur.

Öznitelik çıkarımında uzmanlaşarak geliştiriciler, yalnızca doğru değil aynı zamanda uç nokta dağıtımı için yeterince verimli modeller oluşturmak amacıyla PyTorch ve TensorFlow gibi çerçevelerden yararlanabilirler.