CNN

CNN Nedir?

​

Convolutional Neural Networks (CNN), derin öğrenme modellerinden biridir ve özellikle görüntü işleme ve nesne tanıma alanlarında sıkça kullanılır. CNN, bir görüntüdeki özellikleri çıkararak bu bilgiyi sınıflandırma ya da nesne tespiti gibi işlemler için kullanır. Özellikle büyük veri setlerinde yüksek doğruluk sağlar.

​

CNN’in Temel Özellikleri

​

CNN’ler, özellikle görüntü verilerini işleme konusunda etkili bir yapıya sahiptir. Temel özelliklerinden bazıları şunlardır:

• Yerel Bağlantı: CNN’lerde her nöron sadece bir kısmı görür. Yani, görüntünün tamamı yerine, her katman görüntünün belirli bir kısmına odaklanır ve bu şekilde özellikleri çıkarır.

• Ağırlık Paylaşımı: Aynı filtre, tüm görüntüye uygulanarak özellik çıkarımı yapılır. Bu, modelin daha az parametre ile öğrenmesini sağlar ve modelin verimli olmasına katkıda bulunur.

• Uzamsal Hiyerarşi: CNN katmanları, görüntüyü hiyerarşik olarak işler. İlk katmanlarda basit özellikler (kenarlar, çizgiler) öğrenilirken, son katmanlarda daha karmaşık yapılar (yüzler, nesneler) tanınır.

• Aktivasyon Fonksiyonları: CNN’ler genellikle ReLU (Rectified Linear Unit) gibi aktivasyon fonksiyonlarını kullanır. Bu fonksiyonlar, doğrusal olmayan özelliklerin öğrenilmesine olanak tanır.

• Havuzlama (Pooling): CNN’lerde pooling işlemi, görüntü boyutunu küçültmek için kullanılır ve böylece hesaplama maliyeti azalır. Max pooling ve average pooling gibi yöntemler yaygındır.

 

CNN Nasıl Çalışır?

​

​

​

​

​

​

​

​​​​​

​

​

• Görüntüden Özellik Çıkarma: CNN, görüntüyü filtrelerle analiz ederek düşük seviyeli özellikleri çıkarır (örneğin, kenarlar, dokular). Bu filtreler, görüntü üzerindeki belirli bölgelere uygulanır.

• Boyut Azaltma (Pooling): CNN, görüntüdeki önemli bilgileri kaybetmeden veri boyutunu küçültür. Bu adım, özellikle hesaplama maliyetini azaltmak ve daha hızlı sonuçlar elde etmek için yapılır.

• Sınıflandırma: Tam bağlantılı katmanlar ile görüntüdeki özellikler analiz edilir ve hangi sınıfa ait olduğu tahmin edilir. Örneğin, bir köpek ya da kedi olup olmadığını sınıflandırır.

​

 

Uygulama Alanları ve Gerçek Hayatta Kullanım

​

Tıbbi Görüntüleme: CNN, MR ve röntgen görüntülerinde tümör ve diğer anormalliklerin tespitinde kullanılır.

Otonom Araçlar: CNN, araçların çevresini algılamasına ve güvenli sürüş için yol üzerindeki nesneleri tanımasına yardımcı olur.

Güvenlik Sistemleri: Yüz tanıma sistemlerinde CNN, yüksek doğrulukla kişileri tespit edebilir ve bu sayede güvenlik amaçlı kullanılır.

Endüstriyel Otomasyon: Üretim hatlarında hatalı ürünlerin tespit edilmesi için CNN teknolojisi kullanılır.

 

​

CNN’in Mimari Yapısı

​

​

​

​

​

​

​

​​

​​​​

​

CNN, görüntüleri katmanlar halinde işleyen bir yapıya sahiptir ve her katman görüntüde farklı seviyelerde bilgi çıkarır. İşte CNN’in ana bileşenleri:

1. Convolutional Katmanlar

Bu katmanlar, görüntülerden özellik çıkaran temel katmanlardır. Filtreler yardımıyla görüntüdeki kenarlar ve dokular gibi düşük seviyeli özellikler çıkarılır ve bir özellik haritası oluşturulur.

2. Aktivasyon Fonksiyonları (ReLU)

Convolutional katmanlardan sonra, ReLU fonksiyonu negatif değerleri sıfırlar ve modelin doğrusal olmayan özellikleri öğrenmesini sağlar.

3. Pooling Katmanları

Bu katmanlar, veri boyutunu küçülterek önemli bilgileri korur. Max Pooling en yaygın kullanılan yöntemdir ve görüntüdeki kritik özellikleri seçip bir sonraki katmana aktarır.

4. Tam Bağlantılı Katman (Fully Connected Layer)

Tam bağlantılı katman, çıkarılan özellikleri analiz ederek sınıflandırma yapar. Son aşamada, Softmax fonksiyonu ile her sınıfa ait olasılıklar hesaplanır ve en yüksek olasılığa sahip sınıf seçilir.

5. Dropout Katmanı (Opsiyonel)

Modelin aşırı öğrenmesini (overfitting) engellemek için eğitim sırasında bazı nöronlar devre dışı bırakılır, böylece model genelleme yeteneğini artırır.

​​

​

CNN'in Temelleri

​

CNN, görüntü işleme ve nesne tespiti süreçlerinde önemli adımları içerir. Bu adımlar, modelin nesneleri doğru bir şekilde tanımlaması, sınıflandırması ve konumlandırması için gereklidir.

1. Bounding Box Regression: CNN, tespit edilen nesnenin çevresine sınırlandırıcı bir kutu çizer.

​

​​

​

​

​

​

​

​

    2.Intersection Over Union (IoU): Tespit edilen nesne kutusu ile gerçek kutu arasındaki örtüşme oranını  ölçer.

​​

​

​

​

​

​

​

​​​​​

    3.Confidence Score (Güven Skoru): Modelin tahminlerinin ne kadar doğru olduğuna dair bir güven skoru sağlar.

​

    4.Non-Maximum Suppression (NMS): Aynı nesneyi tespit eden birden fazla tahmin arasında en yüksek güven skoruna sahip olanı seçer.

​

​

​

​

​

​

​

​

​

CNN’de Model Eğitimi

​

CNN model eğitimi, görüntülerden öğrenme sürecini içerir. Model, veriler üzerinde çalışarak doğru tahminler yapmayı öğrenir. Eğitim süreci birkaç temel adımdan oluşur:

1. Veri Hazırlığı: Modelin eğitimi için geniş bir etiketlenmiş veri seti hazırlanır. Örneğin, bir sınıflandırma problemi için her görüntü, içeriğindeki nesneyle (kedi, köpek vb.) etiketlenir.

2. İleri Besleme (Forward Propagation): Model, giriş olarak aldığı görüntüyü katmanlar boyunca işler. Özellikleri çıkardıktan sonra bir sınıf tahmini üretir.

3. Kayıp Fonksiyonu (Loss Function): Tahmin edilen sonuç ile gerçek sonuç arasındaki farkı hesaplar. Bu fark ne kadar küçükse model o kadar başarılıdır.

4. Geri Yayılım (Backpropagation): Kayıp fonksiyonuna göre modelin ağırlıkları güncellenir ve hatalar minimize edilir. Bu işlem, modelin daha iyi öğrenmesini sağlar.

5. Optimizasyon: Model, belirli bir eğitim süreci boyunca veri setini kullanarak sürekli iyileştirilir. Amaç, test verilerinde de başarılı olacak şekilde genelleme yapabilen bir model oluşturmaktır.