Yapay zeka (Artificial Intelligence) terimi gün geçtikçe hayatımızın içinde yer almaya devam ediyor. Üstelik mecazi anlamda da değil bizzat evlerde, yollarda, fabrikalarda ve daha birçok alanda sıklıkla karşılaşmaya başladık. Bu noktada benim için teknolojiyle karşılaşmak yerine üreten tarafta olmak daha heyecan verici gözüküyor. Sizler de aynı fikirdeyseniz, Derin Öğrenme (Deep Learning) ile başlayacağımız bu yazı dizisinde kendi nesne tanıma (Object Detection) modellerimizi oluşturmayı, eğitmeyi daha sonrasında da kullanmayı göstereceğim.
Derin Öğrenme Nedir?
Derin Öğrenme, insan zekası süreçlerini bilgisayar sistemleriyle taklit eden bir tür makine öğrenimi (Machine Learning) ve yapay zekadır (AI). Tahmine dayalı modellemeyi içeren istatistik ve veri biliminin önemli bir unsurudur. Büyük miktarda veriyi toplayıp analiz etmek ve yorumlamak veri bilimciler için son derece faydalıdır. Derin öğrenme bu süreci daha kolay ve hızlı hale getirir.
Derin öğrenmeyi daha anlaşılır kılmak için anlatılan meşhur bir örnek vardır: İlk kelimesi köpek olan bir çocuk hayal edin. Yürümeye başlayan çocuk, bir köpeğin ne olduğunu ve ne olmadığını nesneleri işaret ederek ve köpek kelimesini söyleyerek öğrenir. Ebeveyn, “Evet, bu bir köpek” veya “Hayır, bu bir köpek değil” der. Yürümeye başlayan çocuk nesneleri işaret etmeye devam ettikçe, tüm köpeklerin sahip olduğu özelliklerin daha çok farkına varır. Çocuğun bilmeden yaptığı şey, her bir soyutlama seviyesinin önceki katmanından elde edilen bilgilerle yaratıldığı bir hiyerarşi inşa ederek köpek kavramını netleştirmektir.
Derin Öğrenme ve Makine Öğrenmesi Arasındaki Fark Nedir?
Derin Öğrenme (DL) makine öğrenmesinin bir alt dalıdır. Birlikte çalıştığı veri türü ve öğrendiği yöntemlerle kendisini klasik makine öğrenmesinden ayırır. Makine öğrenimi algoritmaları, tahminler yapmak için yapılandırılmış, etiketlenmiş verilerden yararlanır. Bu, belirli özelliklerin model için giriş verilerinden tanımlandığı anlamına gelir.
Derin öğrenme, tipik olarak makine öğrenimi ile ilgili olan bazı veri ön işlemeyi ortadan kaldırır. Bu algoritmalar, metin ve görüntüler gibi yapılandırılmamış verileri alıp işleyebilir ve insana olan bağımlılığın bir kısmını ortadan kaldırarak özellik çıkarmayı otomatik hale getirir. Örneğin, farklı evcil hayvanlarından oluşan bir dizi fotoğrafımız olduğunu ve “kedi”, “köpek”, “hamster” vb. kategorilere ayırmak istediğimizi varsayalım. Derin öğrenme algoritmaları, her bir hayvanı diğerinden ayırt etmek için hangi özelliklerin (örneğin kulaklar) en önemli olduğunu belirleyebilir. Makine öğreniminde, bu özellik hiyerarşisi bir insan tarafından manuel olarak kurulur.
Derin Öğrenme Nasıl Çalışır?
Derin öğrenme sinir ağları veya yapay sinir ağları, veri girdileri, ağırlıklar ve önyargı kombinasyonu yoluyla insan beynini taklit etmeye çalışır. Bu öğeler, verilerdeki nesneleri doğru bir şekilde tanımak, sınıflandırmak ve tanımlamak için birlikte çalışır.
Derin sinir ağları, tahmin veya sınıflandırmayı iyileştirmek ve optimize etmek için her biri bir önceki katman üzerine inşa edilen birbirine bağlı birden çok düğüm katmanından oluşur. Ağ üzerinden hesaplamaların bu ilerlemesine ileriye doğru yayılma denir.
Derin bir sinir ağının giriş ve çıkış katmanlarına görünür katmanlar denir. Giriş katmanı, derin öğrenme modelinin verileri işlenmek üzere aldığı yerdir ve çıkış katmanı, nihai tahmin veya sınıflandırmanın yapıldığı yerdir. Geri yayılım adı verilen başka bir süreç, tahminlerdeki hataları hesaplamak için gradyan inişi gibi algoritmalar kullanır ve ardından modeli eğitmek amacıyla katmanlar arasında geriye doğru hareket ederek fonksiyonun ağırlıklarını ve önyargılarını ayarlar. İleri yayılım ve geri yayılım birlikte, bir sinir ağının tahminler yapmasına ve buna göre herhangi bir hatayı düzeltmesine izin verir. Zamanla, algoritma giderek daha doğru hale gelir.
Bu yazıda derin öğrenmeye giriş yaptık. Bir sonraki yazıda gerçek zamanlı nesne algılama (real-time object detection) sistemi olan, YOLO-v4 algoritması ile kendi modelimizi nasıl geliştireceğimizi göstereceğim.
“YOLOv4” İle Gerçek Zamanlı Nesne Tanıma yazımız için: YOLOv4 İle Gerçek Zamanlı Nesne Tanıma
