Residual Networks (ResNet)

Residual Networks, ResNet olarak da bilinir, son derece derin ağların eğitimini sağlamak için tasarlanmış özel bir yapay sinir ağı (ANN) mimarisi türüdür. 2015 yılında Microsoft'taki araştırmacılar tarafından tanıtılan ResNet, derin öğrenmedeki kaybolan gradyan problemi olarak bilinen kritik bir darboğazı çözdü. Geleneksel ağlarda, daha fazla katman üst üste koymak genellikle performansın doymasına veya düşmesine yol açıyordu çünkü model ağırlıklarını güncellemek için gereken sinyal, katmanlar boyunca geriye doğru yayılırken zayıflıyordu. ResNet, verilerin bir veya daha fazla katmanı atlayarak doğrudan sonraki işleme aşamalarına akmasını sağlayan "atlama bağlantıları"nı (veya kalıntı bağlantılarını) tanıttı. Bu yenilik, daha derin ağların etkili bir şekilde eğitilebileceğini kanıtladı, bilgisayarlı görü (CV) alanında önemli çığır açtı ve modern mimariler için temel bir kavram haline geldi.

Temel Kavram: Artık Öğrenme#

Bir ResNet'in belirleyici özelliği "kalıntı bloğu"dur. Standart bir konvolüsyonel sinir ağında (CNN), her katman girdiden çıktıya doğrudan bir eşleme öğrenmeye çalışır. Ağlar derinleştikçe, bu doğrudan eşlemeyi öğrenmek giderek zorlaşır.

ResNet, öğrenme amacını farklı bir şekilde formüle ederek bu yaklaşımı değiştirir. Her bir katman yığınının temel alınan eşlemenin tamamını öğrenmesini ummak yerine, kalıntı bloğu katmanların girdi ile istenen çıktı arasındaki "kalıntıyı" veya farkı öğrenmesini zorlar. Orijinal girdi daha sonra bir atlama bağlantısı aracılığıyla öğrenilen kalıntıya geri eklenir. Bu yapısal değişiklik, bir kimlik eşlemenin (girdinin değiştirmeden geçirilmesinin) en óptimal olduğu durumlarda, ağın kalıntıları sıfıra itmeyi kolayca öğrenebileceği anlamına gelir. Bu, derin öğrenme (DL) modellerini optimize etmeyi çok daha kolay hale getirerek düzinelerce katmandan yüzlerce hatta binlerce katmana ölçeklenmelerini sağlar.

Temel Mimari Varyantları#

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

• ResNet-50: "Darboğaz" tasarımı kullanan 50 katmanlı bir sürüm. Bu tasarım, yüksek doğruluğu korurken ağı hesaplama açısından verimli kılmak için boyutları daraltmak ve ardından eski haline getirmek amacıyla 1x1 konvolüsyonlar kullanır.
• ResNet-101 ve ResNet-152: Sırasıyla 101 ve 152 katmana sahip daha derin varyantlar. 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.

Gerçek 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 anomalileri tanımlamak çok önemlidir. ResNet tabanlı modeller, ağ derinliğinin MRI veya BT verilerindeki ince ayrıntılı kalıpları ayırt etmeye yardımcı olduğu tıbbi görüntülemede tümör tespiti gibi durumları tespit etmek için sıklıkla kullanılır.
• Otonom Araçlar: Sürücüsüz arabalar; yayaları, tabelaları ve engelleri belirlemek için kamera akışlarından güvenilir özellik çıkarımı gerektirir. ResNet'ler, güvenli seyahat için gereken zengin görsel özellikleri sağlayarak otomotivde yapay zeka uygulamalarındaki nesne tespiti sistemleri için genellikle arka uç görevi görür.

ResNet vs. Diğer Mimariler#

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

• ResNet ve VGG: VGG (Visual Geometry Group) ağları da derin CNN'lerdir ancak kalıntı bağlantılarından yoksundur. Sonuç olarak, ResNet ile karşılaştırılabilir derinliklerde eğitilmeleri çok daha zordur ve büyük tam bağlantılı katmanları nedeniyle genellikle hesaplama açısından daha pahalıdır.
• ResNet ve Inception: Inception ağları genişliğe odaklanır ve farklı ölçeklerdeki özellikleri yakalamak için aynı katman içinde birden çok boyutta filtre kullanır. ResNet ise derinliğe odaklanır. Inception-ResNet gibi modern mimariler her iki kavramı da birleştirir.
• ResNet ve Vision Transformer (ViT): ViT'ler görüntüleri küresel olarak işlemek için öz-dikkat mekanizmaları kullanırken, ResNet'ler yerel konvolüsyona güvenir. Bununla birlikte, ResNet'ler güçlü bir temel olmaya devam etmektedir ve daha küçük veri setleri veya gerçek zamanlı çıkarım için genellikle daha hızlıdır.

Uygulama Örneği#

PyTorch gibi modern derin öğrenme kütüphaneleri, önceden eğitilmiş ResNet modellerine erişimi kolaylaştırır. Bu modeller, ImageNet gibi büyük bir veri setinde eğitilmiş bir modelin belirli bir görev için ince ayarlandığı transfer öğrenimi için paha biçilmezdir.

Aşağıdaki Python kod parçacığı, torchvision (PyTorch ekosisteminin bir parçası) kullanarak önceden eğitilmiş bir ResNet-50 modelinin nasıl yükleneceğini ve basit bir ileri besleme geçişinin nasıl gerçekleştirileceğini gösterir. Ultralytics Platform kullanıcıları algılama için sıklıkla YOLO26 kullanabilse de, ResNet gibi temel arka uç kavramlarını anlamak gelişmiş özelleştirme 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

Modern Yapay Zekadaki Önemi#

YOLO26 gibi yeni mimariler maksimum hız ve doğruluk için son derece optimize edilmiş yapılar kullansa da kalıntılı öğrenme ilkeleri her yerde mevcuttur. Atlama bağlantısı kavramı artık doğal dil işleme (NLP) alanında kullanılan Transformer'lar ve en son nesne tespiti modelleri dahil olmak üzere birçok gelişmiş ağda standart bir bileşendir. Bilgilerin ağ üzerinden daha özgürce akmasını sağlayarak ResNet, günümüzün yapay zekasına güç veren derin, karmaşık modellerin önünü açtı.