Backbone

backbone , derin öğrenme mimarisinin temel özellik çıkarma backbone ve ham verileri anlamlı temsillere dönüştüren birincil motor görevi görür. Bilgisayar görme bağlamında, backbone giriş görüntülerini işleyerek hiyerarşik kalıpları tanımlayan bir sinir ağı içindeki bir dizi katmandan oluşur. Bu kalıplar, kenarlar ve dokular gibi basit düşük seviyeli özelliklerden şekiller ve nesneler gibi karmaşık yüksek seviyeli kavramlara kadar uzanır. Genellikle özellik haritası olarak adlandırılan backbone çıktısı, sınıflandırma veya algılama gibi belirli görevleri gerçekleştiren aşağı akış bileşenleri için girdi görevi görür.

Omurganın Rolü

backbone temel işlevi backbone herhangi bir karar vermeden önce görüntünün görsel içeriğini "görmek" ve backbone , piksel değerlerini yoğunlaştırılmış, bilgi açısından zengin bir biçime dönüştüren evrensel bir çevirmen görevi görür. Çoğu modern omurga, Convolutional Neural Networks (CNN) veya Vision Transformers (ViT) teknolojilerinedayanır ve genellikle ImageNet gibi büyük veri kümeleri üzerinde önceden eğitilir. ImageNetgibi büyük veri kümeleri üzerinde önceden eğitilir. Transfer öğreniminin temel bir yönü olan bu ön eğitim süreci, modelin önceden öğrenilmiş görsel özelliklerden yararlanmasını sağlayarak, belirli bir uygulama için yeni bir modeli eğitmek için gereken veri ve zamanı önemli ölçüde azaltır .

Örneğin, Ultralytics kullanıldığında, mimari, çok ölçekli özellikleri verimli backbone yüksek düzeyde optimize edilmiş bir backbone içerir. Bu, ağın sonraki bölümlerinin, temel görsel yapıları sıfırdan yeniden öğrenmeye gerek kalmadan, tamamen nesneleri yerelleştirmeye ve sınıf olasılıklarını atamaya odaklanmasına olanak tanır. .

Backbone . Boyun vs. Baş

Nesne algılama modellerinin mimarisini tam olarak kavramak için, backbone diğer iki ana backbone (boyun ve baş) ayırmak gerekir.

• Backbone: "Özellik çıkarıcı". Giriş görüntüsünden temel görsel bilgileri izole eder. Popüler örnekler arasında, Microsoft geliştirilen Residual Networks (ResNet) ve hesaplama verimliliği için optimize edilmiş CSPNet sayılabilir. ResNet, Microsoft tarafından geliştirilen ve
• Boyun: "Özellik toplayıcı". backbone baş arasında konumlanan boyun, farklı ölçeklerden gelen özellikleri rafine eder ve birleştirir. Burada yaygın olarak kullanılan bir yapı, modelin farklı boyutlardaki detect yeteneğini artıran Özellik Piramidi Ağı'dır (FPN).
• Baş: "Tahminci". Algılama başlığı, boyundan toplanan özellikleri işleyerek sınırlayıcı kutular ve sınıf etiketleri gibi nihai çıktıyı oluşturur.

Gerçek Dünya Uygulamaları

Omurgalar, birçok endüstriyel ve bilimsel AI uygulamasının arkasındaki sessiz işgücüdür. Görsel verileri genelleme yetenekleri , onları çeşitli sektörlerde uyarlanabilir kılar.

1. Tıbbi Teşhis: Sağlık hizmetlerinde, omurgalar X-ışınları, CT taramaları ve MRG'ler gibi karmaşık tıbbi görüntüleri analiz eder. Tıbbi görüntü analizi gerçekleştirerek, bu ağlar hastalığı gösteren ince anomalileri ortaya çıkarabilir. Örneğin, özel modeller güçlü omurgaları tümör tespiti için kullanarak, insan gözünün kaçırabileceği kanserin erken belirtilerini tespit eder. Kuzey Amerika Radyoloji Derneği (RSNA) gibi kuruluşlar, hasta bakımında devrim yaratmak için bu derin öğrenme araçlarını savunmaktadır. Bu araçlar, doktorların daha hızlı ve daha doğru teşhis koymasına yardımcı olabilir.
2. Otonom Sistemler: Otomotiv ve robotik endüstrilerinde, omurgalar araçtaki kameralardan gelen video akışlarını işleyerek ortamı yorumlar. Otomotiv sektöründeki yapay zeka, detect , trafik işaretlerini okumak ve yayaları gerçek zamanlı olarak tanımak için bu sağlam özellik çıkarıcılara dayanır. Güvenilir bir backbone , sistemin statik engeller ile hareketli araçları ayırt etmesini backbone . Bu, Waymo gibi şirketler tarafından geliştirilen otonom sürüş teknolojileri için kritik bir güvenlik gerekliliğidir. .

Ultralytics ile Uygulama

YOLO11 gibi son teknoloji mimariler YOLO11 ve son teknoloji YOLO26 gibi en son teknoloji mimariler, varsayılan olarak güçlü omurgaları entegre eder. Bu bileşenler, uç cihazlardan yüksek performanslı GPU'lara kadar çeşitli donanım platformlarında optimum çıkarım gecikmesi için tasarlanmıştır.

Aşağıdaki Python , önceden eğitilmiş bir backbone bir modeli nasıl yükleyeceğinizi gösterir. ultralytics paket. Bu yapılandırma, çıkarım sırasında özellik çıkarma backbone otomatik olarak kullanır. çıkarım.

from ultralytics import YOLO

# Load a YOLO26 model, which includes a pre-trained CSP backbone
model = YOLO("yolo26n.pt")

# Perform inference on an image
# The backbone extracts features, which are then used for detection
results = model("https://ultralytics.com/images/bus.jpg")

# Display the resulting detection
results[0].show()

Önceden eğitilmiş bir backbone kullanarak, geliştiriciler Ultralytics kullanarak kendi özel veri kümelerinde ince ayar yapabilirler. Bu yaklaşım, lojistikte paketleri tespit etmek içinkullanılanlar gibi özel modellerin, derin sinir ağını sıfırdan eğitmek için genellikle gereken büyük hesaplama kaynakları olmadan hızlı bir şekilde geliştirilmesini kolaylaştırır.