Feature Extraction

Özellik çıkarma, makine öğreniminde (ML) ham ve yüksek boyutlu verileri, bilgilendirici özniteliklerden veya "özelliklerden" oluşan arıtılmış bir kümeye dönüştüren dönüştürücü bir süreçtir. Yüksek çözünürlüklü görüntüler, ses akışları veya yapılandırılmamış metinler gibi ham giriş verileri, algoritmaların etkili bir şekilde işleyebilmesi için genellikle fazla hacimli ve gereksiz tekrarlara sahiptir. Özellik çıkarma, gürültüyü ve ilgisiz arka plan ayrıntılarını elerken tahmine dayalı modelleme için gereken kritik bilgileri koruyarak girdiyi en temel bileşenlerine indirger. Bu azaltma, boyutluluk lanetinin etkisini azaltmak, modellerin hesaplama açısından verimli kalmasını ve yeni, daha önce görülmemiş verilere iyi genelleme yapabilmesini sağlamak için hayati önem taşır.

Derin Öğrenmede Özellik Çıkarmanın Rolü#

Geleneksel bilgisayarlı görü çağında uzmanlar, görüntülerdeki kilit noktaları belirlemek için Ölçekten Bağımsız Özellik Dönüşümü (SIFT) gibi manuel tekniklere güveniyordu. Ancak modern derin öğrenme (DL), özellik keşfini otomatikleştirerek bu iş akışında devrim yarattı.

Özellikle Evrişimli Sinir Ağları (CNN'ler) olmak üzere sinir ağları, özellik çıkarmayı hiyerarşik olarak gerçekleştirmek için omurga adı verilen özel bir mimari bileşen kullanır. Veriler ağ katmanlarından geçtikçe çıkarılan özelliklerin karmaşıklığı artar:

• Sığ Katmanlar: Bu ilk katmanlar kenar algılayıcılar gibi davranarak çizgiler, köşeler ve renk gradyanları gibi basit, düşük seviyeli yapıları belirler.
• Derin Katmanlar: Ağ derinleştikçe bu basit unsurlar, bir aracın şekli, insan yüzü veya belirli hayvan işaretleri gibi üst düzey, anlamsal temsillerde birleştirilir.

Öğrenilen bu temsiller özellik haritalarında saklanır ve ardından nesne algılama veya görüntü sınıflandırma gibi görevleri gerçekleştirmek üzere bir algılama başlığına aktarılır.

Gerçek Dünya Uygulamaları#

Özellik çıkarma, ham duyusal girdileri çeşitli sektörlerde eyleme dönüştürülebilir içgörülere çevirerek birçok gelişmiş yapay zekâ yeteneğinin temelini oluşturur.

• Tıbbi Tanı: Sağlık hizmetlerinde yapay zekâ alanında modeller, MRI veya CT taramaları gibi karmaşık tıbbi görüntüleri analiz eder. Gelişmiş özellik çıkarma algoritmaları, erken evre patolojilere işaret edebilecek doku yoğunluğu veya dokusundaki ince anormallikleri belirler. Bu kritik görsel belirteçleri izole eden sistemler, radyologlara tümör tespitinde çok daha yüksek doğruluk ve hızla yardımcı olabilir.
• Otonom Sürüş: Sürücüsüz araçlar güvenli bir şekilde yol alabilmek için gerçek zamanlı özellik çıkarmaya ihtiyaç duyar. Araç üzerindeki kameralar, şerit işaretleri, trafik ışıkları ve yayaların hareketleriyle ilgili özellikleri anında çıkaran bilgisayarlı görü (CV) modellerine video akışı gönderir. Bu yetenek, otonom araçların dinamik ortamlarda saniyeden kısa sürede karar vermesini sağlar.
• Ses İşleme: Sesli asistanlarda ham ses dalga biçimleri spektrogramlara dönüştürülür. Ardından algoritmalar fonetik özellikleri, perdeyi ve tonu çıkararak konuşmadan metne sistemlerinin konuşmacının aksanı veya arka plan gürültüsü ne olursa olsun konuşulan dili anlamasını sağlar.

Ultralytics YOLO ile Özellik Çıkarma#

Ultralytics YOLO26 gibi son teknoloji mimariler, güçlü özellik çıkarma omurgalarını doğrudan tasarımlarına entegre eder. Çıkarım gerçekleştirdiğinde model, sınırlayıcı kutuları ve sınıf etiketlerini tahmin etmeden önce görüntüyü otomatik olarak işleyerek ilgili özellikleri çıkarır.

Aşağıdaki örnek, bir görüntüyü işlemek için önceden eğitilmiş bir modelin nasıl kullanılacağını gösterir. Kod basit olsa da model, nesneleri konumlandırmak için dahili olarak karmaşık özellik çıkarma işlemleri gerçekleştirir:

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 özellik çıkarıcıları eğitmek için kullanılan veri kümelerini yönetmek isteyen ekipler için Ultralytics Platform, açıklama ekleme, eğitim ve dağıtım için kapsamlı bir çözüm sunar.

İlgili Terimleri Birbirinden Ayırma#

Veri bilimi işlem hattını tam olarak kavramak için özellik çıkarmayı benzer kavramlardan ayırt etmek faydalıdır.

• Özellik Çıkarma ve Özellik Mühendisliği: Sıklıkla birlikte ele alınsalar da özellik mühendisliği, genellikle yeni değişkenler oluşturmak için alan bilgisinin kullanıldığı manuel bir süreci ifade eden daha geniş bir terimdir (ör. "fiyat" ve "alan" değerlerinden "metrekare başına fiyat" hesaplamak). Özellik çıkarma ise yüksek boyutlu verileri (piksel değerleri gibi) daha düşük boyutlu bir özellik vektörüne yansıtan, derin öğrenmede çoğunlukla otomatikleştirilen belirli bir tekniktir.
• Özellik Çıkarma ve Özellik Seçimi: Özellik seçimi, mevcut özellikleri değiştirmeden bir alt kümesini seçmeyi ve gürültüyü azaltmak için yalnızca daha az önemli olanları kaldırmayı içerir. Buna karşılık özellik çıkarma, orijinal veri noktalarını Temel Bileşen Analizi (PCA) veya öğrenilmiş ağ ağırlıkları gibi yöntemlerle dönüştürüp birleştirerek yeni özellikler oluşturur.

Geliştiriciler özellik çıkarma konusunda uzmanlaşarak PyTorch ve TensorFlow gibi çerçevelerden yararlanabilir ve yalnızca doğru değil, aynı zamanda uç cihazlarda dağıtım için yeterince verimli modeller oluşturabilir.