Evrişimsel Sinir Ağı (CNN)

Temel Bileşenler ve İşlevsellik

CNN'ler tipik olarak görsel bilgileri işleyen ve dönüştüren birkaç temel katmandan oluşur:

• Evrişimsel Katmanlar: Bunlar bir CNN'in temel katmanlarıdır. Giriş görüntüsüne bir dizi öğrenilebilir filtre (çekirdek) uygularlar. Her filtre kenarlar, köşeler veya dokular gibi belirli özellikleri algılar. Filtre girdi üzerinde kaydıkça (konvolüsyon), tespit edilen özelliklerin konumlarını ve gücünü vurgulayan özellik haritaları üretir. Ağ, model eğitim süreci sırasında bu filtreleri otomatik olarak öğrenir.
• Aktivasyon Katmanları: Konvolüsyonel katmanları takiben, ReLU (Rectified Linear Unit) veya Leaky ReLU gibi aktivasyon fonksiyonları doğrusal olmama özelliğini devreye sokar. Bu, ağın basit doğrusal kombinasyonların ötesine geçen daha karmaşık kalıpları öğrenmesini sağlar.
• Havuzlama Katmanları: Bu katmanlar özellik haritalarının uzamsal boyutlarını (genişlik ve yükseklik) azaltarak hesaplama yükünü azaltır ve aşırı uyumu kontrol eder. Yaygın yöntemler arasında, yerel bir bölgedeki maksimum değeri alarak ağın özelliklerin konumundaki değişikliklere karşı daha sağlam olmasına yardımcı olan Maksimum Havuzlama yer alır. Havuzlama yöntemlerine genel bir bakış daha fazla ayrıntı sağlayabilir.
• Tam Bağlantılı Katmanlar: Tipik olarak ağın sonuna yakın bir yerde bulunan bu katmanlar, geleneksel ileri beslemeli sinir ağlarına benzer şekilde bir önceki katmandaki her nöronu mevcut katmandaki her nörona bağlar. Görüntüye nihai bir etiket atamak gibi sınıflandırma veya regresyon görevlerini gerçekleştirmek için konvolüsyonel ve havuzlama katmanları tarafından çıkarılan üst düzey özellikleri kullanırlar.

Diğer Sinir Ağlarından Temel Farklılıklar

CNN'ler, onları diğer ağ türlerinden ayıran benzersiz özelliklere sahiptir:

• Mekansal Hiyerarşi: Temel NN'lerin aksine, CNN'ler uzamsal ilişkileri açıkça modeller. İlk katmanlar basit özellikleri (kenarlar) tespit ederken, daha derin katmanlar bunları birleştirerek daha karmaşık desenleri (şekiller, nesneler) tanır. Bu hiyerarşik yapı, insan görsel işlemesinin yönlerini taklit eder.
• Parametre Paylaşımı: Giriş görüntüsünün farklı kısımlarına tek bir filtre uygulanarak aynı görüntüyü işleyen tam bağlı bir ağa kıyasla toplam parametre sayısı önemli ölçüde azaltılır. Bu, CNN'leri özellikle büyük görüntülerde daha verimli ve aşırı uyuma daha az eğilimli hale getirir. Bir filtrenin herhangi bir noktada kapsadığı alan, alıcı alanı olarak bilinir.
• Çeviri Değişmezliği: Havuzlama ve parametre paylaşımı sayesinde, CNN'ler bir nesnenin konumu görüntü içinde hafifçe değişse bile onu tanıyabilir.
• vs. Tekrarlayan Sinir Ağları (RNN'ler): CNN'ler görüntüler gibi uzamsal verileri işlemede üstünlük sağlarken, Tekrarlayan Sinir Ağları (RNN 'ler) sıralı veriler için tasarlanmıştır, bu da onları Doğal Dil İşleme (NLP) ve zaman serisi analizi gibi görevler için uygun hale getirir.

Gerçek Dünya Uygulamaları

CNN'ler, çeşitli alanlardaki sayısız atılımın arkasındaki itici güçtür:

1. Tıbbi Görüntü Analizi: Sağlık hizmetlerinde yapay zeka alanında CNN'ler X-ışınları, CT'ler ve MRI'lar gibi tıbbi taramaları analiz eder. Radyologlara tümörler, kırıklar veya diyabetik retinopati gibi ince anomalileri tespit etmede yardımcı olurlar. Radiology gibi dergilerde yayınlanan araştırmalar : Yapay Zeka, CNN'lerin hastalıkların göstergesi olan kalıpları tanımladığını ve genellikle yüksek doğruluk elde ettiğini göstermektedir. Örneğin, aşağıdaki gibi modeller Ultralytics YOLOtıbbi görüntülemede tümör tespiti gibi görevler için uyarlanabilir ve tıbbi görüntü analizinde CNN tabanlı mimarilerin pratik uygulamasını gösterir.
2. Otonom Araçlar: CNN'ler sürücüsüz araçlarda yapay zeka için çok önemlidir. Kameralar ve LiDAR'dan gelen verileri kullanarak yayaları, araçları, trafik işaretlerini ve şerit işaretlerini tanımlamak için gerçek zamanlı nesne algılama gerçekleştiren algılama sistemlerine güç verirler. Bu, aracın çevresini anlamasını ve güvenli sürüş kararları almasını sağlar. Waymo gibi şirketler otonom sistemleri için büyük ölçüde CNN'lere güveniyor. CNN'ler ayrıca görüntü segmentasyonuna katkıda bulunarak araçların sürülebilir alanları engellerden ayırt etmesini sağlar.

Araçlar ve Çerçeveler

CNN'lerin geliştirilmesi ve kullanılması, güçlü derin öğrenme (DL) araçları ve çerçeveleri tarafından desteklenmektedir:

• Kütüphaneler: Gibi popüler kütüphaneler PyTorch, TensorFlowve Keras, CNN'leri oluşturmak, eğitmek ve değerlendirmek için üst düzey API'ler sağlar. Ultralytics aşağıdakiler için sözlük sayfaları sunar PyTorch, TensorFlowve Keras.
• Platformlar: Ultralytics HUB gibi platformlar, veri kümelerini yönetme sürecini kolaylaştırır, aşağıdaki gibi modelleri eğitir YOLOv8 ve YOLO11ve bunları dağıtmak. Etkili model eğitimi genellikle dikkatli hiperparametre ayarı gerektirir ve kapsamlı model eğitimi ipuçlarından yararlanır.