Residual Networks (ResNet)

ResNet olarak bilinen Artık Bağlantılı Ağlar, son derece derin ağların eğitilmesini sağlamak üzere tasarlanmış özel bir yapay sinir ağı (ANN) mimarisi türüdür. 2015 yılında Microsoft araştırmacıları tarafından tanıtılan ResNet, derin öğrenmedeki kaybolan gradyan problemi olarak bilinen kritik bir darboğazı çözmüştür. Geleneksel ağlarda, daha fazla katmanı üst üste yığmak genellikle performansın doygunluğa ulaşmasına veya düşmesine neden olurdu; çünkü model ağırlıklarını güncellemek için gereken sinyal, katmanlar boyunca geriye doğru yayıldıkça zayıflardı. ResNet, verinin bir veya daha fazla katmanı atlayarak doğrudan sonraki işleme aşamalarına akmasını sağlayan "atlama bağlantıları"nı (veya artık bağlantıları) tanıttı. Bu yenilik, daha derin ağların etkili bir şekilde eğitilebileceğini kanıtladı, bilgisayarlı görü (CV) alanında önemli çığırlar açtı ve modern mimariler için temel bir kavram haline geldi.

Link to this sectionTemel Kavram: Artık Öğrenme#

ResNet'in belirleyici özelliği "artık blok"tur. Standart bir evrişimli sinir ağında (CNN), her katman girdiden çıktıya doğrudan bir eşleme öğrenmeye çalışır. Ağlar derinleştikçe, bu doğrudan eşlemeyi öğrenmek giderek zorlaşır.

ResNet, öğrenme hedefini farklı bir şekilde formüle ederek bu yaklaşıma bir değişiklik getirir. Her katman yığınının tüm temel eşlemeyi öğrenmesini ummak yerine, artık blok katmanları "artığı"—yani girdi ile istenen çıktı arasındaki farkı—öğrenmeye zorlar. Orijinal girdi, bir atlama bağlantısı aracılığıyla öğrenilen artığa geri eklenir. Bu yapısal değişiklik, eğer bir kimlik eşlemesi (girdiyi değiştirmeden iletmek) optimal ise, ağın artıkları sıfıra indirmeyi kolayca öğrenebileceği anlamına gelir. Bu durum derin öğrenme (DL) modellerinin optimize edilmesini çok daha kolay hale getirir ve onlarca, yüzlerce hatta binlerce katmana kadar ölçeklenmelerini sağlar.

Link to this sectionTemel Mimari Varyantları#

Ortaya çıkışından bu yana, ResNet'in çeşitli varyasyonları yapay zeka topluluğunda standart referans noktaları haline geldi.

• ResNet-50: "Darboğaz" tasarımını kullanan 50 katmanlı bir versiyondur. Bu tasarım, boyutları azaltıp sonra geri yüklemek için 1x1 evrişimlerini kullanır; böylece yüksek doğruluğu korurken ağın hesaplama açısından verimli olmasını sağlar.
• ResNet-101 ve ResNet-152: Sırasıyla 101 ve 152 katmanlı daha derin varyantlardır. Bunlar genellikle hesaplama kaynakları, daha karmaşık özellik haritalarını yakalamak için daha yüksek karmaşıklığa izin verdiğinde kullanılır.
• ResNeXt: ResNet'in "kardinalite" boyutunu tanıtan ve artık bloğu birden fazla paralel yola ayırarak verimliliği ve performansı artıran bir evrimidir.

Link to this sectionGerçek Dünya Uygulamaları#

ResNet mimarilerinin sağlamlığı, onları çok çeşitli görsel görevler için tercih edilen bir seçenek haline getirmiştir.

• Tıbbi Görüntü Analizi: Sağlık hizmetlerinde, yüksek çözünürlüklü taramalardaki ince anomalilerin tanımlanması kritiktir. ResNet tabanlı modeller, ağın derinliğinin MRI veya CT verilerindeki ince detaylı desenleri ayırt etmeye yardımcı olduğu tıbbi görüntülemede tümör tespiti gibi durumları tespit etmek için sıklıkla kullanılır.
• Autonomous Vehicles: Self-driving cars require reliable feature extraction from camera feeds to identify pedestrians, signs, and obstacles. ResNets often serve as the backbone for object detection systems in AI in automotive applications, providing the rich visual features needed for safe navigation.

Link to this sectionResNet vs. Diğer Mimariler#

Özel kullanımını anlamak için ResNet'i diğer popüler mimarilerden ayırmak faydalıdır.

• ResNet vs. VGG: VGG (Visual Geometry Group) ağları da derin CNN'lerdir ancak artık bağlantılardan yoksundurlar. Sonuç olarak, ResNet ile karşılaştırılabilir derinliklerde eğitilmeleri çok daha zordur ve büyük tam bağlı katmanları nedeniyle genellikle hesaplama açısından daha maliyetlidirler.
• ResNet vs. Inception: Inception ağları genişliğe odaklanır ve farklı ölçeklerdeki özellikleri yakalamak için aynı katman içinde birden fazla boyutta filtreler kullanır. ResNet ise derinliğe odaklanır. Inception-ResNet gibi modern mimariler her iki kavramı da birleştirir.
• ResNet vs. Vision Transformer (ViT): ViT'ler görüntüleri küresel olarak işlemek için öz-dikkat mekanizmalarını kullanırken, ResNet'ler yerel evrişimlere dayanır. Ancak ResNet'ler güçlü bir temel oluşturmaya devam eder ve daha küçük veri setleri veya gerçek zamanlı çıkarım için genellikle daha hızlıdır.

Link to this sectionUygulama Örneği#

Modern deep learning libraries like PyTorch make it simple to access pre-trained ResNet models. These models are invaluable for transfer learning, where a model trained on a large dataset like ImageNet is fine-tuned for a specific task.

Aşağıdaki Python kod parçası, (PyTorch ekosisteminin bir parçası olan) torchvision kullanarak önceden eğitilmiş bir ResNet-50 modelinin nasıl yükleneceğini ve basit bir ileri geçişin nasıl gerçekleştirileceğini gösterir. Ultralytics Platformu kullanıcıları tespit için genellikle YOLO26 kullansa da, ResNet gibi temel omurga kavramlarını anlamak gelişmiş özelleştirmeler için çok önemlidir.

import torch
import torchvision.models as models

# Load a pre-trained ResNet-50 model
resnet50 = models.resnet50(weights=models.ResNet50_Weights.DEFAULT)
resnet50.eval()  # Set model to evaluation mode

# Create a dummy input tensor (batch_size, channels, height, width)
input_tensor = torch.randn(1, 3, 224, 224)

# Perform a forward pass to get predictions
with torch.no_grad():
    output = resnet50(input_tensor)

print(f"Output shape: {output.shape}")  # Expect [1, 1000] for ImageNet classes

Link to this sectionModern Yapay Zekadaki Önemi#

YOLO26 gibi daha yeni mimariler, maksimum hız ve doğruluk için son derece optimize edilmiş yapılar kullansa da, artık öğrenme ilkeleri her yerde geçerliliğini koruyor. Atlama bağlantıları kavramı; doğal dil işleme (NLP) alanında kullanılan transformer'lar ve en yeni nesne algılama modelleri dahil olmak üzere birçok gelişmiş ağda artık standart bir bileşendir. ResNet, bilginin ağ içinde daha serbestçe akmasını sağlayarak günümüzün yapay zekasına güç veren derin ve karmaşık modellerin yolunu açtı.