Residual Networks (ResNet)

Yaygın olarak ResNet'ler olarak bilinen Kalıntı Ağları, son derece derin ağların eğitilmesini mümkün kılmak üzere tasarlanmış özel bir yapay sinir ağı (ANN) mimarisi türüdür. Microsoft'taki araştırmacılar tarafından 2015'te tanıtılan ResNet, derin öğrenmede kaybolan gradyan problemi olarak bilinen kritik bir darboğazı çözdü. Geleneksel ağlarda daha fazla katmanın üst üste eklenmesi, model ağırlıklarını güncellemek için gereken sinyal katmanlar boyunca geriye doğru ilerlerken zayıfladığı için genellikle performansın doygunluğa ulaşmasına veya düşmesine yol açıyordu. ResNet, verilerin bir ya da daha fazla katmanı atlayarak sonraki işleme aşamalarına doğrudan akmasını sağlayan "atlama bağlantılarını" (veya kalıntı bağlantılarını) kullanıma sundu. Bu yenilik, daha derin ağların etkili bir şekilde eğitilebileceğini kanıtlayarak bilgisayarlı görü (CV) alanında önemli atılımlara yol açtı ve modern mimariler için temel bir kavram hâline geldi.

Temel Kavram: Kalıntılı Öğrenme#

Bir ResNet'in belirleyici özelliği "kalıntı bloğudur". 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 şekilde formüle ederek bu yaklaşımı değiştirir. Her katman yığınının altta yatan eşlemenin tamamını öğrenmesini beklemek yerine kalıntı bloğu, katmanları girdi ile istenen çıktı arasındaki "kalıntıyı"—başka bir deyişle farkı—öğrenmeye zorlar. Ardından özgün girdi, bir atlama bağlantısı aracılığıyla öğrenilen kalıntıya yeniden eklenir. Bu yapısal değişiklik, bir özdeşlik eşlemesi (girdinin değiştirilmeden geçirilmesi) en uygunsa ağın kalıntıları sıfıra çekmeyi kolayca öğrenebileceği anlamına gelir. Bu, derin öğrenme (DL) modellerinin optimizasyonunu çok daha kolay hâle getirerek modelin onlarca katmandan yüzlerce, hatta binlerce katmana ölçeklenmesini sağlar.

Önemli Mimari Varyantlar#

Ortaya çıkışından bu yana ResNet'in çeşitli varyantları yapay zekâ topluluğunda standart kıyaslama modelleri hâline geldi.

• ResNet-50: "Darboğaz" tasarımını kullanan 50 katmanlı bir sürümdür. Bu tasarım, boyutları azaltıp ardından eski hâline getirmek için 1x1 evrişimler kullanır; böylece yüksek doğruluğu korurken ağı hesaplama açısından verimli hâle getirir.
• ResNet-101 ve ResNet-152: Sırasıyla 101 ve 152 katmanlı daha derin varyantlardır. Daha karmaşık özellik haritalarını yakalamak için daha yüksek karmaşıklığa olanak tanıyan hesaplama kaynakları mevcut olduğunda sıkça kullanılırlar.
• ResNeXt: Kalıntı bloğunu birden çok paralel yola ayıran bir "kardinalite" boyutu sunarak verimliliği ve performansı artıran, ResNet'in geliştirilmiş bir sürümüdür.

Gerçek Dünya Uygulamaları#

ResNet mimarilerinin sağlamlığı, onları çok çeşitli görsel görevler için başvurulan bir seçenek hâline getirmiştir.

• Tıbbi Görüntü Analizi: Sağlık hizmetlerinde yüksek çözünürlüklü taramalardaki ince anormallikleri belirlemek kritik öneme sahiptir. ResNet tabanlı modeller, ağın derinliğinin MRI veya CT verilerindeki ince ayrıntılı örüntüleri ayırt etmeye yardımcı olduğu tıbbi görüntülemede tümör tespiti gibi durumları saptamak için sıkça kullanılır.
• Otonom Araçlar: Otonom araçların yayaları, işaretleri ve engelleri belirlemek için kamera akışlarından güvenilir özellik çıkarımı yapması gerekir. ResNet'ler, otomotivde yapay zekâ uygulamalarındaki nesne algılama sistemlerinde güvenli navigasyon için gereken zengin görsel özellikleri sağlayan omurga olarak sıkça görev yapar.

ResNet ve Diğer Mimariler#

Özel kullanım alanını anlamak için ResNet'i diğer popüler mimarilerden ayırt etmek faydalıdır.

• ResNet ve VGG: VGG (Görsel Geometri Grubu) ağları da derin CNN'lerdir, ancak kalıntı bağlantılarından yoksundur. Bu nedenle ResNet'le karşılaştırılabilir derinliklerde eğitilmeleri çok daha zordur ve büyük tam bağlı katmanları nedeniyle genellikle hesaplama açısından daha maliyetlidirler.
• ResNet ve Inception: Inception ağları, farklı ölçeklerdeki özellikleri yakalamak için aynı katmanda birden çok boyutta filtre kullanarak genişliğe odaklanır. ResNet ise derinliğe odaklanır. Inception-ResNet gibi modern mimariler her iki kavramı birleştirir.
• ResNet ve Görsel Transformer (ViT): ViT'ler görüntüleri küresel olarak işlemek için öz-dikkat mekanizmalarını kullanırken ResNet'ler yerel evrişimlere dayanır. Bununla birlikte ResNet'ler güçlü bir temel model olmaya devam eder ve daha küçük veri kümelerinde veya gerçek zamanlı çıkarım için genellikle daha hızlıdır.

Uygulama Örneği#

PyTorch gibi modern derin öğrenme kütüphaneleri, önceden eğitilmiş ResNet modellerine erişimi kolaylaştırır. Bu modeller, transfer öğrenimi için son derece değerlidir; burada ImageNet gibi büyük bir veri kümesi üzerinde eğitilmiş bir model belirli bir görev için ince ayardan geçirilir.

Aşağıdaki Python kod parçacığı, PyTorch ekosisteminin bir parçası olan torchvision kullanarak önceden eğitilmiş bir ResNet-50 modelinin nasıl yükleneceğini ve basit bir ileri geçişin nasıl gerçekleştirileceğini gösterir. Ultralytics Platform kullanıcıları algılama için sıklıkla YOLO26 kullansa da ResNet gibi temel omurga kavramlarını anlamak, gelişmiş özelleştirme için kritik öneme sahiptir.

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

Modern Yapay Zekâdaki Önemi#

YOLO26 gibi daha yeni mimariler maksimum hız ve doğruluk için yüksek düzeyde optimize edilmiş yapılar kullansa da kalıntılı öğrenme ilkeleri her yerde varlığını sürdürür. Atlama bağlantıları kavramı, doğal dil işlemede (NLP) kullanılan Transformer'lar ve en yeni nesne algılama modelleri de dâhil olmak üzere birçok gelişmiş ağda artık standart bir bileşendir. Bilginin ağ içinde daha serbestçe akmasını sağlayan ResNet, günümüz yapay zekâsına güç veren derin ve karmaşık modellerin önünü açtı.