Neural Architecture Search'ün (NAS) nesne algılama, yapay zeka ve daha birçok alanda optimize edilmiş performans için sinir ağı tasarımını nasıl otomatikleştirdiğini keşfedin.
Nöral Mimari Arama (NAS), makine öğrenimi (ML) alanında, sinir ağlarının (NN'ler) optimum yapısını veya mimarisini tasarlamaya odaklanan otomatik bir tekniktir. NAS, deneme yanılma yoluyla ağ düzenlerini manuel olarak tasarlamak için insan uzmanlara güvenmek yerine, olası mimarilerin geniş bir alanını keşfetmek ve belirli bir görev ve veri kümesi için en etkili olanları belirlemek için algoritmalar kullanır. Bu otomasyon, geliştirme sürecini hızlandırır ve insan tasarımcılar için sezgisel olarak açık olmayabilecek yeni, yüksek performanslı mimarileri ortayaçıkarabilir ve modelleri uç yapay zeka cihazlarına dağıtmak için çok önemli olan doğruluk, hız(çıkarım gecikmesi) veya hesaplama verimliliği gibi ölçümler için optimize edebilir.
NAS'ın temel süreci üç ana bileşenden oluşur: bir arama uzayı, bir arama stratejisi ve bir performans tahmin stratejisi. Arama uzayı, tasarlanabilecek olası ağ mimarileri kümesini tanımlar, esasen yapı taşlarını (farklı türde konvolüsyon veya aktivasyon fonksiyonları gibi) ve bunların nasıl bağlanabileceğini ana hatlarıyla belirtir. Arama stratejisi, rastgele arama ve takviyeli öğrenmeden evrimsel algoritmalara kadar çeşitli yöntemler kullanarak bu uzayın keşfine rehberlik eder. Son olarak, performans tahmin stratejisi, bir aday mimarinin ne kadar iyi performans gösterdiğini değerlendirir, genellikle ağı bir veri kümesi üzerinde kısmen veya tamamen eğitmeyi ve performansını ölçmeyi içerir, ancak Google AI araştırmasında ayrıntılı olarak açıklandığı gibi, bunu hızlandırmak için ağırlık paylaşımı veya performans tahmincileri gibi teknikler kullanılır. Bu deneylerin verimli bir şekilde yönetilmesi aşağıdaki gibi platformlarla kolaylaştırılabilir Weights & Biases veya Ultralytics HUB.
NAS ile mimari tasarımın otomatikleştirilmesi önemli avantajlar sağlar:
NAS, çeşitli derin öğrenme (DL) alanlarında değerli olduğunu kanıtlamıştır:
Öne çıkan örneklerden biri, YOLO tarafından geliştirilen Deci AI NAS teknolojisini kullanarak. Bu model, özellikle önceki modellerde yer alan sınırlamaları hedef almıştır Ultralytics YOLO NAS aracılığıyla bulunan niceleme dostu blokları dahil ederek sürümler. Bu sayede doğruluk ve gecikme arasında üstün bir denge sunan modeller, otomotiv çözümlerinde yapay zeka ve akıllı trafik yönetimi gibi gerçek zamanlı uygulamalar için, verimli dağıtım için INT8 gibi formatlara model nicelleştirmesinden sonra bile oldukça etkili hale geldi. Niceleme teknikleri hakkında daha fazla bilgi, NVIDIA TensorRT belgeleri veya model dağıtım seçeneklerine ilişkinUltralytics kılavuzu gibi kaynaklarda bulunabilir. Ultralytics , YOLO dahil olmak üzere çeşitli nesne algılama modelleri için destek sağlar.
NAS, sağlık alanında tıbbi görüntülerin analizine yönelik özel Evrişimsel Sinir Ağları (CNN'ler) tasarlamak için kullanılmaktadır. Örneğin NAS, MRI taramalarındaki tümörleri tespit etmek ( Beyin Tümörü veri setine benzer) veya CT görüntülerindeki organları segmentlere ayırmak gibi görevler için mimarileri optimize edebilir ve potansiyel olarak klinisyenlere yardımcı olacak daha hızlı ve daha doğru teşhis araçlarına yol açabilir. Yapay zekanın tıbbi görüntü analizinde uygulanması, Ulusal Sağlık Enstitüleri (NIH) gibi kurumlar tarafından vurgulandığı gibi hızla büyüyen bir alandır. Bu tür özel modelleri ve veri kümelerini yönetmek, Ultralytics HUB gibi platformlar kullanılarak kolaylaştırılabilir. Tümör tespiti için YOLO11 ' i bile kullanabilirsiniz.
NAS, daha geniş bir alan olan Otomatik Makine Öğrenimi (AutoML) içinde özel bir bileşendir. NAS yalnızca en iyi sinir ağı mimarisini bulmaya odaklanırken, AutoML veri ön işleme, özellik mühendisliği, model seçimi ve hiperparametre ayarı gibi adımlar da dahil olmak üzere tüm makine öğrenimi hattını otomatikleştirmeyi amaçlar. NAS'ı hiperparametre ayarından ayırmak çok önemlidir: hiperparametre ayarı, belirli, sabit bir model mimarisi için yapılandırma ayarlarını ( öğrenme hızı veya yığın boyutu gibi) optimize ederken NAS, mimarinin kendisini arar. Her iki teknik de optimum model performansı elde etmek için genellikle birlikte kullanılır. Optuna veya Ultralytics YOLO modelleriyle entegre olan Ray Tune gibi araçlar hiperparametre optimizasyonu için popülerdir. Bu ayrımları anlamak, verimli yapay zeka sistemleri oluşturmak için doğru otomasyon tekniklerini uygulamaya yardımcı olur. Ultralytics belgelerinde hiperparametre ayarlama hakkında daha fazla bilgi edinebilirsiniz.
TR
EN
ZH
KO
JA
RU
DE
FR
ES
PT
IT
AR
VI
