Latent Space

Yapay zeka alanında gizli uzay, karmaşık verilerin sıkıştırılmış, daha düşük boyutlu matematiksel bir temsilidir. Bir sinir ağı, bir görüntünün ham piksel değerleri veya metnin ardışık belirteçleri gibi yüksek boyutlu girdileri işlediğinde, bu bilgiyi kompakt bir çok boyutlu vektörde yoğunlaştırır. Bu gizli geometrik uzayda, anlamsal benzerlikleri paylaşan veri noktaları koordinat sisteminde birbirine yakın konumlandırılır. Örneğin, bir "arabanın" matematiksel temsili "kamyonun" yakınında bulunur ancak "elmadan" uzaktadır. Verileri sürekli bir matematiksel manifolda eşleyerek, makine öğrenimi modelleri gereksiz arka plan gürültüsüyle uğraşmadan anlamlı kalıpları kolayca karşılaştırabilir, enterpolasyon yapabilir ve çıkarabilir.

İlgili Kavramları Ayırt Etme#

Bu gizli temsillerin nasıl çalıştığını anlamak, onları yakından ilgili bilgisayarlı görü kavramlarından ayırmayı gerektirir:

• Gömmeler: Bir gömme, tek bir veri parçasını temsil eden gerçek matematiksel vektördür (koordinatlar). Gizli uzay, tüm bu bireysel gömmelerin bulunduğu kapsayıcı matematiksel ortamdır.
• Boyut Azaltma: Boyut azaltma, verileri sıkıştırmak için kullanılan algoritmik süreci (Temel Bileşen Analizi gibi) ifade eder. Gizli uzay, bu sürecin ortaya çıkan çıktı ortamıdır.

Gerçek Dünyada Yapay Zeka Uygulamaları#

Verileri sıkıştırma ve anlamsal olarak organize etme yeteneği, bu kavramı modern görüntüleme sistemleri için temel hale getirir ve endüstri genelinde çeşitli pratik kullanım alanlarını tetikler:

• Üretken Yapay Zeka: Gelişmiş üretken mimariler, özellikle Gizli Difüzyon Modelleri (LDM'ler), görüntüleri piksel piksel üretmez. Bunun yerine, temel akademik araştırmalarda detaylandırıldığı gibi, gürültüyü tamamen sıkıştırılmış uzay içinde yinelemeli olarak ekler ve kaldırırlar. Bu, hesaplama maliyetlerini büyük ölçüde azaltarak araştırma kuruluşlarının son derece verimli modeller eğitmesine olanak tanır.
• Görüntü Sınıflandırma: CLIP gibi mimariler, görsel verileri ve metin açıklamalarını paylaşılan bir gizli uzaya eşler. Model, bir görüntü vektörü ile bir metin vektörü arasındaki mesafeyi hesaplayarak, açıkça eğitilmediği nesneleri tanımlayabilir ve kurumsal ekiplerin otomatik veri etiketleme iş akışlarına yaklaşımını kökten değiştirebilir.
• Anomali Tespiti: Normal, hatasız ürünlerin görüntüleri üzerinde bir otokodlayıcı eğiterek, ağ belirli bir temel temsil öğrenir. Kusurlu bir ürün işlendiğinde, eşlemesi beklenen bölgenin dışına düşer ve acil inceleme için işaretlenir.

Latent Özellikleri Çıkarma#

Uygulamada, sınıflandırma veya nesne tespiti başlığından önce bir görü modelinin son katmanlarından özellik haritalarını çıkararak bu gizli temsillere erişebilirsin. Aşağıda görüntü gömmeleri oluşturmak için Ultralytics YOLO26 kullanan kısa bir örnek bulunmaktadır.

from ultralytics import YOLO

# Load a pretrained YOLO26 Nano model
model = YOLO("yolo26n.pt")

# Pass an image through the model to extract its latent embedding vector
results = model.embed("https://ultralytics.com/images/bus.jpg")

# The result is a high-dimensional tensor representing the image in the latent space
print(f"Embedding shape: {results[0].shape}")

Latent Temsillerle Geliştirme Yapma#

Endüstri son derece verimli uç bilişime ve kompakt temel modellere doğru ilerledikçe, gizli uzay manipülasyonunda ustalaşmak esastır. Bu yoğun vektör uzaylarından yararlanmak, geliştiricilerin sağlam öneri sistemleri ve anlamsal arama motorları oluşturmasına olanak tanır. Özel görü uygulamalarını ölçeklendirmek isteyen ekipler için Ultralytics Platform, veri seti yönetimi, otomatik açıklama ve kusursuz model dağıtımı için akıcı bir bulut ortamı sunarak ham görsel verileri eyleme dönüştürülebilir istihbarata dönüştürmene yardımcı olur.