Neural Architecture Search'ün (NAS) nesne algılama, yapay zeka ve daha birçok alanda optimize edilmiş performans için sinir ağı tasarımını nasıl otomatikleştirdiğini keşfedin.
Nöral Mimari Arama (NAS), makine öğrenimi (ML) alanında, sinir ağlarının (NN'ler) optimum yapısını veya mimarisini tasarlamaya odaklanan otomatik bir tekniktir. NAS, ağ düzenlerini deneme yanılma yoluyla manuel olarak tasarlamak için insan uzmanlara güvenmek yerine, olası mimarilerin geniş bir alanını keşfetmek ve belirli bir görev ve veri kümesi için en etkili olanları belirlemek için algoritmalar kullanır. Bu otomasyon, geliştirme sürecini hızlandırır ve insan tasarımcılar için sezgisel olarak açık olmayabilecek yeni, yüksek performanslı mimarileri ortayaçıkarabilir ve doğruluk, hız(çıkarım gecikmesi) veya hesaplama verimliliği gibi ölçütler için optimize edebilir.
NAS'ın temel süreci üç ana bileşen içerir: bir arama uzayı, bir arama stratejisi ve bir performans tahmin stratejisi. Arama uzayı, tasarlanabilecek olası ağ mimarileri kümesini tanımlar, esasen yapı taşlarını (farklı türde konvolüsyon veya aktivasyon fonksiyonları gibi) ve bunların nasıl bağlanabileceğini ana hatlarıyla belirtir. Arama stratejisi, rastgele arama ve takviyeli öğrenmeden evrimsel algoritmalara kadar çeşitli yöntemler kullanarak bu uzayın keşfine rehberlik eder. Son olarak, performans tahmin stratejisi, bir aday mimarinin ne kadar iyi performans gösterdiğini değerlendirir, genellikle ağı bir veri kümesi üzerinde kısmen veya tamamen eğitmeyi ve performansını ölçmeyi içerir, ancak Google AI araştırmasında ayrıntılı olarak açıklandığı gibi, bunu hızlandırmak için ağırlık paylaşımı veya performans tahmincileri gibi teknikler kullanılır.
NAS ile mimari tasarımın otomatikleştirilmesi önemli avantajlar sağlar:
Öne çıkan bir örnek, Deci AI tarafından NAS teknolojisi kullanılarak geliştirilen YOLO'tır. Bu model, NAS aracılığıyla bulunan niceleme dostu blokları dahil ederek önceki Ultralytics YOLO sürümlerindeki sınırlamaları özellikle hedeflemiştir. Bu, doğruluk ve gecikme arasında üstün bir denge sunan modellerle sonuçlandı, bu da onları otomotiv çözümlerinde AI ve akıllı trafik yönetimi gibi gerçek zamanlı uygulamalar için, verimli dağıtım için INT8 gibi formatlara model nicelleştirmeden sonra bile oldukça etkili hale getirdi. Niceleme teknikleri hakkında daha fazla bilgi NVIDIA TensorRT belgeleri gibi kaynaklarda bulunabilir.
NAS, sağlık alanında tıbbi görüntülerin analizine yönelik özel Evrişimsel Sinir Ağları (CNN 'ler) tasarlamak için kullanılmaktadır. Örneğin NAS, MRI taramalarındaki tümörleri tespit etmek veya CT görüntülerindeki organları segmentlere ayırmak gibi görevler için mimarileri optimize edebilir ve potansiyel olarak klinisyenlere yardımcı olacak daha hızlı ve daha doğru teşhis araçlarına yol açabilir. Yapay zekanın tıbbi görüntü analizinde uygulanması, Ulusal Sağlık Enstitüleri (NIH) gibi kurumlar tarafından vurgulandığı gibi hızla büyüyen bir alandır. Bu tür özel modellerin ve veri kümelerinin yönetimi Ultralytics HUB gibi platformlar kullanılarak kolaylaştırılabilir.
NAS, daha geniş bir alan olan Otomatik Makine Öğrenimi (AutoML) içinde özel bir bileşendir. NAS yalnızca en iyi sinir ağı mimarisini bulmaya odaklanırken, AutoML veri ön işleme, özellik mühendisliği, model seçimi ve hiperparametre ayarı gibi adımlar da dahil olmak üzere tüm makine öğrenimi hattını otomatikleştirmeyi amaçlar. NAS'ı hiperparametre ayarından ayırmak çok önemlidir: hiperparametre ayarı, belirli, sabit bir model mimarisi için yapılandırma ayarlarını ( öğrenme hızı veya yığın boyutu gibi) optimize ederken NAS, mimarinin kendisini arar. Her iki teknik de optimum model performansı elde etmek için genellikle birlikte kullanılır. Optuna veya Ray Tune gibi araçlar hiperparametre optimizasyonu için popülerdir.
TR
EN
ZH
KO
JA
RU
DE
FR
ES
PT
IT
AR
VI
.webp)