Geometrik Derin Öğrenme (GDL)

Geometrik Derin Öğrenme (GDL), derin öğrenme alanındaki gelişmiş bir dal olup, geleneksel sinir ağlarının yeteneklerini Öklid dışı geometride yapılandırılmış verileri işlemek üzere genişletir. Standart bir evrişimli sinir ağı, 2B görüntüler gibi ızgara benzeri temsiller için yüksek düzeyde optimize edilmişken, GDL; grafikler, 3B ağlar ve sürekli manifoldlar gibi karmaşık, düzensiz veri yapılarını analiz etmek için gerekli matematiksel çerçeveyi sağlar.

Geometrik Derin Öğrenme'nin Grafik Sinir Ağları (GNN'ler) ile karıştırılması sık rastlanan bir durumdur. Bu terimler birbiriyle yakından ilişkili olsa da, aynı şey değildir. GDL, ilişkisel tümevarımsal önyargılara dayanan genel bir teorik çerçeve işlevi görürken, GNN'ler ise grafik teorisi yapıları üzerinde çalışmak üzere açıkça tasarlanmış mimari türlerinin belirli bir alt kümesini temsil eder.

Gerçek Dünya Uygulamaları

Modellerin ilişkileri ve şekilleri doğrudan yorumlamasına olanak tanıyan GDL, modern yapay zekadaki en önemli atılımların bazılarının temelini oluşturmaktadır.

• Sağlık sektöründe yapay zeka: GDL, ilaç keşfini kökten değiştiriyor. Google AlphaFold gibi çığır açan modeller, moleküler dinamikler ve son derece doğru protein katlanma tahminleri için geometrik ilkelerden yararlanarak molekülleri karmaşık ilişkisel grafikler olarak temsil ediyor.
• Otonom araçlar: Kendi kendine sürüş yapan araçlar, çevrelerinde yol bulmak için büyük ölçüde nokta bulutu işleme ve 3B nesne algılama teknolojilerine dayanır. GDL, sistemlerin LiDAR sensörleri tarafından yakalanan ham 3B uzamsal verileri yorumlayarak güvenli kararlar almasına yardımcı olur.

Görsel Yapay Zekayı Geometrik Modellerle Entegre Etmek

Uygulamalı bilgisayar görme alanında, uzamsal farkındalığın elde edilmesi genellikle 2B görsel algıyı geometrik ağların uzamsal-zamansal mantığıyla birleştirmeyi gerektirir. Geliştiriciler bu sistemleri oluşturmak için sıklıkla PyTorch gibi araçlar kullanır. Bir Ultralytics modelinden yararlanarak görsel öğeleri hızla tanımlayabilir ve bunların uzamsal koordinatlarını daha geniş bir geometrik grafikte temel düğümler olarak kullanabilirsiniz.

Aşağıdaki Python , standart nesne algılama çıktılarının nasıl çıkarılacağını ve bunların geometrik işleme sırasına hazır tensor olarak nasıl biçimlendirileceğini göstermektedir:

import torch
from ultralytics import YOLO

# Load an Ultralytics YOLO26 nano model
model = YOLO("yolo26n.pt")

# Run inference to extract bounding box coordinates
results = model("https://ultralytics.com/images/bus.jpg")
boxes = results[0].boxes.xywh[:, :2].cpu()  # Extract x, y centers

# Format coordinates as feature nodes for a geometric graph
node_features = torch.tensor(boxes.numpy(), dtype=torch.float)
print(f"Extracted {node_features.shape[0]} object nodes for graph construction.")

Görsel mimarileri ve geometrik verileri bir araya getiren iş akışlarını etkin bir şekilde ölçeklendirmek için ekipler, Ultralytics kullanarak görüntü segmentasyon veri kümelerini yönetebilir. Bu uçtan uca bulut çözümü, ilk veri etiketlemesinden nihai model dağıtımına kadar olan geliştirme döngüsünü basitleştirerek, mühendislerin gelişmiş manifold öğrenme stratejilerini sağlam üretim ortamlarına entegre etmeye odaklanmalarını sağlar.