Neural Architecture Search (NAS)

Sinirsel Mimari Arama (NAS), yapay sinir ağlarının tasarımını otomatikleştiren 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 süreci, belirli bir görev için en uygun yapıyı keşfetmek amacıyla geniş bir ağ topolojisi yelpazesini sistematik olarak inceleyen algoritmik stratejilerle değiştirir. NAS, çeşitli katman ve operasyon kombinasyonlarını test ederek, doğruluk, hesaplama verimliliği veya çıkarım hızı açısından insan tarafından tasarlanan modellerden önemli ölçüde daha iyi performans gösteren mimarileri belirleyebilir.

Link to this sectionNAS'ın Temel Mekanizmaları#

Üstün bir mimariyi keşfetme süreci, en iyi sinir ağını (NN) bulmak için etkileşime giren üç temel boyutu içerir:

1. Arama Uzayı: Bu, algoritmanın keşfedebileceği tüm olası mimarilerin kümesini tanımlar. Evrişim filtreleri, havuzlama katmanları ve çeşitli aktivasyon fonksiyonları gibi yapı taşlarından oluşan bir kütüphane gibi davranır. İyi tanımlanmış bir arama uzayı, aramanın hesaplama açısından uygulanabilir kalmasını sağlarken aynı zamanda inovasyon için yeterli esnekliğe izin verir.

2. Arama Stratejisi: NAS, her olasılığı test etmek (kaba kuvvet) yerine, arama uzayında verimli bir şekilde gezinmek için akıllı algoritmalar kullanır. Yaygın yaklaşımlar arasında, bir ajanın zamanla daha iyi mimariler oluşturmayı öğrendiği pekiştirmeli öğrenme ve en iyi performans gösteren modelleri mutasyona uğratıp birleştirerek üstün adaylar üreten evrimsel algoritmalar bulunur.

3. Performans Tahmin Stratejisi: Her aday ağı sıfırdan eğitmek aşırı derecede yavaştır. Bunu hızlandırmak için NAS, daha az epok ile eğitme, daha düşük çözünürlüklü vekil veri kümeleri kullanma veya ağırlık paylaşımı yöntemlerinden yararlanma gibi tahmin tekniklerini kullanarak bir aday mimarinin potansiyelini hızla sıralar.

Link to this sectionGerçek Dünya Uygulamaları#

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

• Efficient Edge Computing: Deploying AI on mobile devices requires models that are both lightweight and fast. NAS is extensively used to discover architectures like MobileNetV3 and EfficientNet that minimize inference latency while maintaining high precision. This is vital for edge AI applications, such as real-time video analytics on smart cameras or autonomous drones.
• Tıbbi Görüntüleme: Tıbbi görüntü analizinde, doğruluk her şeyden önemlidir. NAS, insan mühendislerin gözden kaçırabileceği yeni özellik çıkarma yollarını bularak, X-ray veya MRI taramalarındaki küçük anormallikleri tespit etmek için ağları özelleştirebilir. Bu, beyin tümörleri veya kırıklar gibi durumların daha yüksek hassasiyetle tanımlanması için daha güvenilir araçlara yol açar.

Link to this sectionNAS ve İlgili Kavramlar#

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

• NAS ve Hiperparametre Ayarı: Her ikisi de optimizasyon içerse de, hiperparametre ayarı, sabit bir mimari için konfigürasyon ayarlarını (örneğin öğrenme oranı veya yığın boyutu) ayarlamaya odaklanır. Buna karşılık NAS, katman sayısı veya nöronların nasıl bağlandığı gibi modelin temel yapısını değiştirir.
• NAS ve Transfer Öğrenme: Transfer öğrenme, mevcut, önceden eğitilmiş bir modeli alır ve ağırlıklarını yeni bir göreve uyarlar. NAS, eğitim başlamadan önce model mimarisini sıfırdan oluşturur (veya daha iyi bir backbone arar).

Link to this sectionNAS Tabanlı Modellerden Yararlanma#

Tam bir NAS araması yapmak önemli ölçüde GPU hesaplama kaynağı gerektirse de, geliştiriciler NAS aracılığıyla oluşturulan modelleri kolayca kullanabilirler. Örneğin, YOLO-NAS mimarisi, nesne tespiti görevleri için optimize edilmek üzere bu arama ilkeleri kullanılarak keşfedilmiştir.

Aşağıdaki Python örneği, ultralytics paketini kullanarak önceden aranmış bir NAS modelinin nasıl yükleneceğini ve kullanılacağını 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 teknoloji modelleri eğitmek isteyenler için Ultralytics YOLO26, araştırmadaki en son gelişmeleri içeren, kutudan çıktığı gibi yüksek düzeyde optimize edilmiş bir mimari sunar. Tüm MLOps yaşam döngüsünü basitleştiren Ultralytics Platform'u kullanarak bu modeller için veri kümelerini, eğitimi ve dağıtımı kolayca yönetebilirsin.