Sözlük

Konvolüsyon

Konvolüsyonun bilgisayarla görmede yapay zekayı nasıl güçlendirdiğini ve nesne algılama, görüntü tanıma ve tıbbi görüntüleme gibi görevleri hassas bir şekilde nasıl mümkün kıldığını öğrenin.

YOLO modellerini Ultralytics HUB ile basitçe
eğitin

Daha fazla bilgi edinin

Konvolüsyon, yapay zekada, özellikle de bilgisayarla görme (CV) alanında yaygın olarak kullanılan temel bir matematiksel işlemdir. Konvolüsyonel Sinir Ağlarının (CNN'ler) temel yapı taşını oluşturur ve bu ağların görüntüler gibi ızgara benzeri verilerden hiyerarşik desenleri etkili bir şekilde öğrenmesini sağlar. Süreç, özellik haritası olarak bilinen bir çıktı üretmek için bir giriş sinyali veya görüntüsü üzerinde genellikle çekirdek olarak adlandırılan küçük bir filtrenin uygulanmasını içerir. Bu özellik haritaları, çekirdek tarafından tespit edilen kenarlar, dokular veya şekiller gibi belirli kalıpları vurgular.

Konvolüsyon Nasıl Çalışır?

Küçük bir büyüteci (çekirdek) daha büyük bir görüntünün (girdi) üzerinde kaydırdığınızı düşünün. Büyüteç her konumda görüntünün küçük bir parçasına odaklanır. Konvolüsyon işlemi, çekirdek tarafından tanımlanan ağırlıkları kullanarak bu yama içindeki piksel değerlerinin ağırlıklı bir toplamını hesaplar. Hesaplanan bu tek değer, çıktı özellik haritasında bir piksel haline gelir. Çekirdek, tüm giriş görüntüsü boyunca sistematik olarak adım adım kayarak ('stride' adı verilen bir parametre ile tanımlanır) eksiksiz bir özellik haritası oluşturur. Farklı çekirdekler farklı özellikleri tespit etmek için tasarlanmıştır; örneğin, bir çekirdek yatay kenarları tespit ederken diğeri köşeleri tespit edebilir. Bir CNN, tek bir katmanda birden fazla çekirdek kullanarak girdiden zengin bir özellik kümesi çıkarabilir. Bu sürecin görsel açıklamalarını CNN'lerle ilgili Stanford CS231n ders notları gibi kaynaklarda keşfedebilirsiniz.

Konvolüsyonun Temel Bileşenleri

  • Girdi Verileri: Tipik olarak çok kanallı bir görüntü (örneğin RGB kanalları) veya önceki bir katmandan alınan çıktı özellik haritası.
  • Çekirdek (Filtre): Algılanacak özelliği tanımlayan küçük bir ağırlık matrisi. Bu ağırlıklar model eğitim süreci sırasında öğrenilir.
  • Özellik Haritası: Tespit edilen özelliklerin varlığını ve uzamsal konumunu temsil eden konvolüsyon işleminin çıktısı.
  • Adım: Çekirdeğin her adımda giriş üzerinde kaydırdığı piksel sayısı.
  • Dolgu: Çıktı özellik haritasının uzamsal boyutlarını kontrol etmek için girdi görüntüsünün sınırına pikseller (genellikle sıfırlar) ekleme.

Konvolüsyon Uygulamaları

Evrişimli katmanlar, birçok modern yapay zeka uygulamasında vazgeçilmezdir:

1. Nesne Algılama

Nesne algılamada, CNN'ler sınırlayıcı kutular kullanarak nesneleri ve görüntü içindeki konumlarını tanımlamak için konvolüsyonları kullanır. Gibi modeller Ultralytics YOLO Farklı ölçeklerdeki özellikleri çıkarmak için yoğun bir şekilde konvolüsyonel katmanlara güvenerek çeşitli nesnelerin verimli bir şekilde algılanmasını sağlar. Bu, yayaları, arabaları ve trafik işaretlerini gerçek zamanlı olarak tespit etmenin güvenlik için hayati önem taşıdığı otonom araçlar gibi uygulamalar için kritik öneme sahiptir. Otomotivde Yapay Zeka çözümleri hakkında daha fazla bilgi edinin.

2. Tıbbi Görüntü Analizi

Konvolüsyon tıbbi görüntü analizinde önemli bir rol oynar ve radyologların X-ışınları, CT'ler ve MRI'lar gibi taramaları analiz etmelerine yardımcı olur. CNN'leri kullanan yapay zeka modelleri, tümörler veya kırıklar gibi ince anormallikleri genellikle daha hızlı ve bazen tek başına insan uzmanlardan daha doğru bir şekilde tespit edebilir. Örneğin, tümör tespiti için YOLOv11 kullanılması bu kabiliyeti göstermektedir. Sağlık Hizmetlerinde Yapay Zeka çözümleri hakkında daha fazlasını keşfedin.

İlgili Kavramlara Karşı Konvolüsyon

Konvolüsyon genellikle sinir ağlarındaki diğer işlemler ve kavramlarla birlikte kullanılır:

  • Havuzlama: Konvolüsyon özellikleri çıkarırken, havuzlama katmanları (Maksimum Havuzlama veya Ortalama Havuzlama gibi) özellik haritalarının uzamsal boyutlarını (aşağı örnekleme) azaltır. Bu, hesaplama yükünü azaltmaya yardımcı olur ve özellik temsilini küçük uzamsal varyasyonlara karşı daha sağlam hale getirir. Havuzlama bir bölgedeki özellikleri özetlerken, konvolüsyon bunları ayıklar. CNN'lerdeki havuzlama katmanlarını açıklayan kaynaklarda daha fazla ayrıntı bulunabilir.
  • Özellik Çıkarma: Bu, ham verileri makine öğrenimi için kullanılabilecek sayısal özelliklere dönüştürme sürecine atıfta bulunan daha geniş bir terimdir. Konvolüsyon, özellikle CNN'lerde ızgara benzeri verilerden otomatik özellik çıkarımı için özel ve oldukça etkili bir tekniktir.
  • Tam Bağlantılı Katmanlar: Çekirdekleri yerel olarak uygulayan ve ağırlıkları paylaşan evrişimli katmanların aksine, tam bağlı katmanlar bir önceki katmandaki her nöronu mevcut katmandaki her nörona bağlar. Genellikle bir CNN mimarisinin sonuna doğru, konvolüsyonel ve havuzlama katmanları tarafından çıkarılan üst düzey özelliklere dayalı olarak sınıflandırma veya regresyon gerçekleştirmek için ortaya çıkarlar. Sinir Ağlarının (NN'ler) temelleri hakkında daha fazla bilgi edinin.

Konvolüsyonu anlamak, Ultralytics HUB aracılığıyla mevcut olanlar da dahil olmak üzere birçok son teknoloji yapay zeka modelinin görsel bilgileri nasıl yorumladığını kavramanın anahtarıdır. Gibi çerçeveler PyTorch ve TensorFlow konvolüsyon işlemlerinin verimli uygulamalarını sağlar. OpenCV gibi kütüphaneler de bulanıklaştırma ve keskinleştirme gibi geleneksel görüntü işleme görevleri için konvolüsyonu kullanır.

Tümünü okuyun