Neural Architecture Search (NAS)

Nöral Mimari Arama (NAS), yapay nöral ağların tasarımını otomatik hale getiren Otomatik Makine Öğrenimi (AutoML) alanında gelişmiş bir tekniktir. Geleneksel olarak, yüksek performanslı derin öğrenme (DL) mimarileri tasarlamak; kapsamlı insan uzmanlığı, sezgi ve zaman alıcı deneme-yanılma süreçleri gerektiriyordu. NAS, bu manuel sürecin yerini, belirli bir görev için en uygun yapıyı keşfetmek amacıyla çok geniş bir ağ topolojisi yelpazesini sistematik olarak inceleyen algoritmik stratejilerle alır. Çeşitli katman ve işlem kombinasyonlarını test eden NAS, doğruluk, hesaplama verimliliği veya çıkarım hızı açısından insan tasarımı modellerden belirgin şekilde daha iyi performans gösteren mimarileri belirleyebilir.

NAS'ın Temel Mekanizmaları#

Üstün bir mimariyi keşfetme süreci genellikle en iyi nöral ağı (NN) bulmak için birlikte çalışan üç temel boyutu içerir:

1. Arama Uzayı: Bu, algoritmanın keşfedebileceği tüm olası mimarilerin kümesini tanımlar. konvolüsyon filtreleri, havuzlama katmanları ve çeşitli aktivasyon fonksiyonları gibi yapı taşlarından oluşan bir kütüphane gibi işlev görür. İyi tanımlanmış bir arama uzayı, inovasyon için yeterli esneklik tanırken aramanın hesaplamalı olarak yapılabilir kalmasını sağlamak amacıyla karmaşıklığı sınırlar.

2. Arama Stratejisi: Her olasılığı test etmek (kaba kuvvet) yerine NAS, arama uzayında verimli bir şekilde gezinmek için akıllı algoritmalar kullanır. Yaygın yaklaşımlar arasında, bir ajanın zaman içinde daha iyi mimariler üretmeyi öğrendiği pekiştirmeli öğrenme ve üstün adaylar üretmek için en yüksek performanslı modelleri mutasyona uğratıp birleştiren evrimsel algoritmalar yer alır.

3. Performans Tahmin Stratejisi: Her aday ağı sıfırdan eğitmek aşırı derecede yavaştır. Bunu hızlandırmak için NAS; daha az epoch üzerinden eğitim verme, daha düşük çözünürlüklü vekil veri kümeleri kullanma veya ağırlık paylaşımı uygulama gibi tahmin teknikleri kullanarak bir aday mimarinin potansiyelini hızla sıralar.

Gerçek Dünya Uygulamaları#

NAS; donanım kısıtlamalarının veya performans gereksinimlerinin katı olduğu endüstrilerde kritik hale gelerek bilgisayarlı görü (CV) ve diğer yapay zeka alanlarının sınırlarını zorlamaktadır.

• Verimli Kenar Bilişim: Mobil cihazlarda yapay zeka dağıtmak, hem hafif hem de hızlı modeller gerektirir. NAS, yüksek hassasiyeti korurken çıkarım gecikmesini en aza indiren MobileNetV3 ve EfficientNet gibi mimarileri keşfetmek için yaygın olarak kullanılır. Bu, akıllı kameralardaki gerçek zamanlı video analitiği veya otonom dronlar gibi kenar yapay zeka uygulamaları için hayati önem taşır.
• Tıbbi Görüntüleme: Tıbbi görüntü analizinde, doğruluk her şeyden önemlidir. NAS, insan mühendislerin gözden kaçırabileceği yeni öznitelik çıkarma yolları bularak röntgen veya MR taramalarındaki küçük anomalileri tespit etmek üzere ağları özelleştirebilir. Bu, beyin tümörleri veya kırıklar gibi durumların daha yüksek hassasiyetle tanımlanması için daha güvenilir araçlar sağlar.

NAS ve İlgili Kavramlar#

NAS'ın özel rolünü anlamak için onu benzer optimizasyon tekniklerinden ayırt etmek faydalıdır:

• NAS ile Hiperparametre Ayarlaması Karşılaştırması: Her ikisi de optimizasyon içerse de, hiperparametre ayarlaması sabit bir mimari için yapılandırma ayarlarını (öğrenme oranı veya batch boyutu gibi) ayarlamaya odaklanır. Buna karşılık NAS; katman sayısı veya nöronların nasıl bağlandığı gibi modelin temel yapısını değiştirir.
• NAS ile Transfer Öğrenimi Karşılaştırması: Transfer öğrenimi, mevcut, önceden eğitilmiş bir modeli alır ve ağırlıklarını yeni bir göreve uyarlar. NAS ise eğitim başlamadan önce model mimarisini sıfırdan oluşturur (veya daha iyi bir omurga arar).

NAS Tabanlı Modellerden Yararlanma#

Tam bir NAS araması çalıştırmak önemli ölçüde GPU bilgi işlem kaynakları gerektirse de geliştiriciler, NAS aracılığıyla oluşturulmuş modelleri kolayca kullanabilir. Örneğin, YOLO-NAS mimarisi, nesne tespiti görevleri için optimize edilmek üzere bu arama ilkeleri kullanılarak keşfedilmiştir.

ultralytics paketini kullanarak önceden taranmış bir NAS modelinin nasıl yükleneceğini ve kullanılacağını aşağıdaki Python örneği göstermektedir:

from ultralytics import NAS

# Load a pre-trained YOLO-NAS model (architecture found via NAS)
# 'yolo_nas_s.pt' refers to the small version of the model
model = NAS("yolo_nas_s.pt")

# Run inference on an image to detect objects
# This utilizes the optimized architecture for fast detection
results = model("https://ultralytics.com/images/bus.jpg")

# Print the top detected class
print(f"Detected: {results[0].names[int(results[0].boxes.cls[0])]}")

NAS karmaşıklığı olmadan en son teknolojiye sahip modelleri eğitmek isteyenler için Ultralytics YOLO26, araştırmadaki en son gelişmeleri bünyesinde barındırarak kutudan çıktığı gibi son derece optimize edilmiş bir mimari sunar. Tüm MLOps yaşam döngüsünü basitleştiren Ultralytics Platform kullanarak bu modeller için veri kümelerini, eğitimi ve dağıtımı kolayca yönetebilirsin.