Feature Extraction

Öznitelik çıkarımı, ham ve yüksek boyutlu verileri rafine edilmiş bilgilendirici nitelikler veya "öznitelikler" kümesine dönüştüren, makine öğrenimi (ML) alanındaki dönüştürücü bir süreçtir. Yüksek çözünürlüklü görüntüler, ses akışları veya yapılandırılmamış metinler gibi ham girdi verileri, algoritmaların etkin bir şekilde işlemesi için genellikle çok hacimli ve gereksizdir. Öznitelik çıkarımı, girdiyi en temel bileşenlerine indirgeyerek bu sorunu ele alır; tahmine dayalı modelleme için gereken kritik bilgileri korurken gürültüyü ve alakasız arka plan detaylarını atar. Bu indirgeme, boyutluluk laneti etkisini azaltmak ve modellerin hesaplama açısından verimli kalmasını ve yeni, görülmemiş verilere iyi bir şekilde genelleme yapabilmesini sağlamak için hayati önem taşır.

Link to this sectionDerin Öğrenmede Öznitelik Çıkarımının Rolü#

Geleneksel bilgisayarlı görü döneminde uzmanlar, görüntülerdeki anahtar noktaları tanımlamak için Ölçek Değişmez Öznitelik Dönüşümü (SIFT) gibi manuel tekniklere güveniyorlardı. Ancak modern derin öğrenme (DL), öznitelik keşfini otomatikleştirecek bu iş akışını kökten değiştirdi.

Sinir ağları, özellikle Evrişimli Sinir Ağları (CNN'ler), öznitelik çıkarımını hiyerarşik olarak gerçekleştirmek için backbone olarak bilinen özel bir mimari bileşen kullanır. Veriler ağ katmanları boyunca ilerledikçe 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.

These learned representations are stored in feature maps, which are subsequently passed to a detection head to perform tasks like object detection or image classification.

Link to this sectionGerçek Dünya Uygulamaları#

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

• Tıbbi Teşhis: Sağlıkta yapay zeka alanında modeller, MRI veya CT taramaları gibi karmaşık tıbbi görüntüleri analiz eder. Gelişmiş öznitelik çıkarım algoritmaları, erken evre patolojileri gösterebilecek doku yoğunluğu veya dokusundaki ince anormallikleri tanımlar. Bu kritik görsel işaretleri izole ederek sistemler, radyologlara tümör algılama konusunda çok daha yüksek doğruluk ve hızla yardımcı olabilir.
• Otonom Sürüş: Kendi kendine giden araçlar, güvenli bir şekilde gezinmek için gerçek zamanlı öznitelik çıkarımına güvenir. Yerleşik kameralar, şerit işaretleri, trafik ışıkları ve yaya hareketleriyle ilgili öznitelikleri anında çıkaran bilgisayarlı görü (CV) modellerine video akışı sağlar. Bu yetenek, otonom araçların dinamik ortamlarda saniyelik kararlar almasını sağlar.
• Ses İşleme: Sesli asistanlarda ham ses dalga formları spektrogramlara dönüştürülür. Algoritmalar daha sonra fonetik özellikleri, perdeyi ve tonu çıkararak konuşmadan metne sistemlerinin, konuşmacının aksanından veya arka plan gürültüsünden bağımsız olarak konuşulan dili anlamasını sağlar.

Link to this sectionUltralytics YOLO ile Öznitelik Çıkarımı#

Ultralytics YOLO26 gibi en gelişmiş mimariler, güçlü öznitelik çıkarım backbone'larını tasarımlarına doğrudan entegre eder. Çıkarım (inference) işlemini çalıştırdığında 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.

Link to this sectionİlgili Terimleri Ayırt Etme#

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

• Öznitelik Çıkarımı vs. Öznitelik Mühendisliği: Genellikle birlikte tartışılsa da öznitelik mühendisliği, yeni değişkenler oluşturmak için alan bilgisinin kullanıldığı (örneğin, "fiyat" ve "alan"dan "metrekare başına fiyat" hesaplamak gibi) manuel bir süreci ifade eden daha geniş bir terimdir. Öznitelik çıkarımı, derin öğrenmede genellikle otomatikleştirilen ve yüksek boyutlu verileri (piksel gibi) daha düşük boyutlu bir öznitelik vektörüne yansıtan özel bir tekniktir.
• Öznitelik Çıkarımı vs. Öznitelik Seçimi: Öznitelik seçimi, mevcut özniteliklerin bir alt kümesini değiştirmeden seçmeyi, gürültüyü azaltmak için sadece daha az önemli olanları çıkarmayı içerir. Öznitelik çıkarımı ise bunun aksine, Temel Bileşen Analizi (PCA) veya öğrenilmiş ağ ağırlıkları gibi yöntemlerle orijinal verileri dönüştürüp birleştirerek yeni öznitelikler oluşturur.

Öznitelik çıkarımında uzmanlaşarak, PyTorch ve TensorFlow gibi çerçevelerden yararlanarak sadece doğru değil, aynı zamanda uç cihazda dağıtım için yeterince verimli modeller geliştirebilirsin.