{"id":32254,"date":"2025-10-19T14:31:26","date_gmt":"2025-10-19T11:31:26","guid":{"rendered":"https:\/\/fatihsoysal.com\/blog\/dusuk-guclu-cnn-ile-%95-dogru-uyandirma-kelimesi-tespiti\/"},"modified":"2025-10-19T14:31:26","modified_gmt":"2025-10-19T11:31:26","slug":"dusuk-guclu-cnn-ile-%95-dogru-uyandirma-kelimesi-tespiti","status":"publish","type":"post","link":"https:\/\/fatihsoysal.com\/blog\/dusuk-guclu-cnn-ile-%95-dogru-uyandirma-kelimesi-tespiti\/","title":{"rendered":"D\u00fc\u015f\u00fck G\u00fc\u00e7l\u00fc CNN ile %95 Do\u011fru Uyand\u0131rma Kelimesi Tespiti"},"content":{"rendered":"

<\/p>\n

Ak\u0131ll\u0131 cihazlar\u0131n\u0131z i\u00e7in %95 do\u011frulukla, d\u00fc\u015f\u00fck g\u00fc\u00e7 t\u00fcketen uyand\u0131rma kelimesi tespiti nas\u0131l yap\u0131l\u0131r? CNN ve MFCC kullanarak y\u00fcksek performansl\u0131 \u00e7\u00f6z\u00fcmlerin s\u0131rlar\u0131n\u0131 ke\u015ffedin. Bu rehber, s\u0131f\u0131rdan ba\u015flayarak kendi sisteminizi kurman\u0131za yard\u0131mc\u0131 olacak, g\u00fc\u00e7 t\u00fcketimini minimize ederken kullan\u0131c\u0131 deneyimini maksimize etmenizi sa\u011flayacak ad\u0131mlar\u0131 i\u00e7eriyor.<\/p>\n

G\u00fcn\u00fcm\u00fcz d\u00fcnyas\u0131nda ak\u0131ll\u0131 asistanlar, telefonlar ve ev cihazlar\u0131 hayat\u0131m\u0131z\u0131n vazge\u00e7ilmez bir par\u00e7as\u0131 haline geldi. “Hey Siri”, “OK Google” veya “Alexa” gibi sihirli s\u00f6zc\u00fcklerle onlarla etkile\u015fim kurmak, g\u00fcnl\u00fck i\u015flerimizi kolayla\u015ft\u0131r\u0131yor. Ancak bu kolayl\u0131\u011f\u0131n arkas\u0131nda yatan \u00f6nemli bir m\u00fchendislik zorlu\u011fu var: cihazlar\u0131n sizi her an dinleyebilmesi i\u00e7in s\u00fcrekli aktif ve haz\u0131r beklemesi gerekiyor. Peki, bu s\u00fcrekli dinleme durumu, cihaz\u0131n pil \u00f6mr\u00fcn\u00fc nas\u0131l etkiliyor ve gizlilik konusunda ne gibi endi\u015feler yarat\u0131yor? Dahas\u0131, bir ak\u0131ll\u0131 cihaz\u0131n s\u00fcrekli mikrofonu a\u00e7\u0131kken, \u00e7evreden gelen t\u00fcm sesleri i\u015fleyip yorumlamas\u0131 ciddi bir hesaplama y\u00fck\u00fc ve enerji israf\u0131 anlam\u0131na gelir. Bu ba\u011flamda, uyand\u0131rma kelimesi tespiti (Wake Word Detection – WWD), bu sorunlara zarif ve verimli bir \u00e7\u00f6z\u00fcm sunuyor.<\/p>\n

Uyand\u0131rma kelimesi tespiti, cihaz\u0131n yaln\u0131zca belirli bir “uyand\u0131rma kelimesi” duydu\u011funda tam i\u015flevselli\u011fine ge\u00e7mesini sa\u011flayan d\u00fc\u015f\u00fck g\u00fc\u00e7l\u00fc bir yapay zeka sistemidir. Di\u011fer bir deyi\u015fle, cihaz\u0131n\u0131z asl\u0131nda s\u00fcrekli dinlemiyor, sadece uyand\u0131rma kelimesini bekleyen k\u00fc\u00e7\u00fck, enerji verimli bir mod\u00fclde \u00e7al\u0131\u015f\u0131yor. Bu makale, bu kritik teknolojinin nas\u0131l \u00e7al\u0131\u015ft\u0131\u011f\u0131n\u0131, Mel Frekans Kepstral Katsay\u0131lar\u0131 (MFCC) ve Evri\u015fimsel Sinir A\u011flar\u0131 (CNN) gibi temel bile\u015fenlerin bir araya gelerek %95 do\u011fruluk oran\u0131na ula\u015fan d\u00fc\u015f\u00fck g\u00fc\u00e7 t\u00fcketimli bir sistem olu\u015fturdu\u011funu ad\u0131m ad\u0131m a\u00e7\u0131klayacak. Amac\u0131m\u0131z, hem teorik temelleri anlaman\u0131z\u0131 hem de ger\u00e7ek d\u00fcnya uygulamalar\u0131 i\u00e7in pratik bir rehber sunarak kendi uyand\u0131rma kelimesi tespit sisteminizi geli\u015ftirmenize olanak tan\u0131makt\u0131r. \u00d6zellikle g\u00f6m\u00fcl\u00fc sistemler ve TinyML uygulamalar\u0131 i\u00e7in bu optimizasyonlar b\u00fcy\u00fck \u00f6nem ta\u015f\u0131maktad\u0131r. Bu sayede, pil \u00f6mr\u00fc k\u0131s\u0131tl\u0131 cihazlarda bile kesintisiz ve ak\u0131c\u0131 bir kullan\u0131c\u0131 deneyimi sunmak m\u00fcmk\u00fcn hale gelmektedir.<\/p>\n

Uyand\u0131rma Kelimesi Tespiti Nedir ve Neden \u00d6nemlidir?<\/h2>\n

Uyand\u0131rma kelimesi tespiti, temel olarak bir ses ak\u0131\u015f\u0131nda \u00f6nceden tan\u0131mlanm\u0131\u015f bir anahtar kelimenin (“wake word”) varl\u0131\u011f\u0131n\u0131 s\u00fcrekli olarak izleyen ve bu kelime alg\u0131land\u0131\u011f\u0131nda bir sonraki eylemi tetikleyen bir sistemdir. \u00d6rne\u011fin, “bilgisayar” kelimesini uyand\u0131rma kelimesi olarak belirlediyseniz, cihaz\u0131n\u0131z bu kelimeyi duyana kadar bekleme modunda kal\u0131r. Kelime alg\u0131land\u0131\u011f\u0131nda ise tam te\u015fekk\u00fcll\u00fc sesli asistan devreye girer. Peki, bu teknoloji neden bu kadar kritik?<\/p>\n

\u00d6ncelikle, kullan\u0131c\u0131 deneyimi<\/strong> a\u00e7\u0131s\u0131ndan hayati bir rol oynar. Bir cihaza dokunmadan, sadece sesinizle komut verebilmek, teknolojiyi daha do\u011fal ve sezgisel hale getirir. Ellerinizi kullanman\u0131z\u0131n m\u00fcmk\u00fcn olmad\u0131\u011f\u0131 durumlarda (\u00f6rne\u011fin yemek yaparken veya araba kullan\u0131rken) bu \u00f6zellik b\u00fcy\u00fck kolayl\u0131k sa\u011flar. \u0130kinci olarak, pil \u00f6mr\u00fc<\/strong> i\u00e7in kritik \u00f6neme sahiptir. E\u011fer cihaz her zaman t\u00fcm sesleri y\u00fcksek i\u015flem g\u00fcc\u00fcyle analiz etseydi, pili \u00e7ok k\u0131sa s\u00fcrede t\u00fckenirdi. Uyand\u0131rma kelimesi tespit sistemi, cihaz\u0131n b\u00fcy\u00fck bir k\u0131sm\u0131n\u0131n “uykuda” kalmas\u0131n\u0131, sadece k\u00fc\u00e7\u00fck ve enerji verimli bir mod\u00fcl\u00fcn aktif olmas\u0131n\u0131 sa\u011flayarak pil \u00f6mr\u00fcn\u00fc \u00f6nemli \u00f6l\u00e7\u00fcde uzat\u0131r. Bu, \u00f6zellikle ak\u0131ll\u0131 saatler, kablosuz kulakl\u0131klar ve di\u011fer giyilebilir cihazlar gibi pil kapasitesi s\u0131n\u0131rl\u0131 \u00fcr\u00fcnler i\u00e7in vazge\u00e7ilmezdir.<\/p>\n

\u00dc\u00e7\u00fcnc\u00fc olarak, gizlilik endi\u015feleri<\/strong>ni giderir. Cihaz\u0131n her konu\u015fmay\u0131 tam olarak i\u015flemedi\u011fi, yaln\u0131zca uyand\u0131rma kelimesini bekledi\u011fi bilgisi, kullan\u0131c\u0131lar\u0131n cihazlar\u0131na daha fazla g\u00fcven duymas\u0131n\u0131 sa\u011flar. Tam te\u015fekk\u00fcll\u00fc sesli asistanlar, bulut tabanl\u0131 i\u015flemler i\u00e7in ses verilerini sunuculara g\u00f6nderebilirken, uyand\u0131rma kelimesi tespit mod\u00fcl\u00fc genellikle tamamen cihaz \u00fczerinde (on-device) \u00e7al\u0131\u015f\u0131r ve hassas verileri internete g\u00f6ndermez. Ancak, bu sistemin tasar\u0131m\u0131 da baz\u0131 zorluklar\u0131 beraberinde getirir. \u00c7e\u015fitli konu\u015fmac\u0131lar\u0131n aksanlar\u0131, ortam g\u00fcr\u00fclt\u00fcs\u00fc, yank\u0131 ve farkl\u0131 ses tonlar\u0131 gibi fakt\u00f6rler, uyand\u0131rma kelimesinin do\u011fru bir \u015fekilde alg\u0131lanmas\u0131n\u0131 zorla\u015ft\u0131rabilir. Ayr\u0131ca, yanl\u0131\u015f pozitifler (cihaz\u0131n uyand\u0131rma kelimesi olmayan bir sesi uyand\u0131rma kelimesi olarak alg\u0131lamas\u0131) ve yanl\u0131\u015f negatifler (uyand\u0131rma kelimesi s\u00f6ylenmesine ra\u011fmen cihaz\u0131n alg\u0131lamamas\u0131) sistemin g\u00fcvenilirli\u011fini etkileyen temel problemlerdir. Bu makalede, bu zorluklar\u0131n \u00fcstesinden gelmek i\u00e7in MFCC ve CNN gibi g\u00fc\u00e7l\u00fc tekniklerin nas\u0131l kullan\u0131ld\u0131\u011f\u0131n\u0131 ke\u015ffedece\u011fiz. %95 do\u011fruluk hedefimiz, kullan\u0131c\u0131 memnuniyetini art\u0131r\u0131rken sistemin pratikli\u011fini sa\u011flamay\u0131 ama\u00e7lamaktad\u0131r. <\/p>\n

\n Uzman \u0130pucu: Yanl\u0131\u015f pozitif oran\u0131n\u0131 d\u00fc\u015f\u00fck tutmak, kullan\u0131c\u0131 deneyimi a\u00e7\u0131s\u0131ndan yanl\u0131\u015f negatif oran\u0131ndan genellikle daha \u00f6nemlidir. S\u00fcrekli yanl\u0131\u015f tetiklemeler, kullan\u0131c\u0131lar\u0131 sistemi kapatmaya itebilir.\n<\/p><\/blockquote>\n

MFCC ile Sesi Bilgisayar\u0131n Anlayaca\u011f\u0131 Dile Nas\u0131l \u00c7eviririz?<\/h2>\n

Bilgisayarlar\u0131n sesi do\u011frudan anlamas\u0131 m\u00fcmk\u00fcn de\u011fildir. Ses dalgalar\u0131, analog titre\u015fimlerdir ve dijital sistemler bu titre\u015fimleri i\u015fleyebilece\u011fi bir formata d\u00f6n\u00fc\u015ft\u00fcrmek zorundad\u0131r. \u0130\u015fte burada Mel Frekans Kepstral Katsay\u0131lar\u0131 (MFCC) devreye giriyor. MFCC, insan kula\u011f\u0131n\u0131n sesi alg\u0131lama \u015fekline benzer bir yakla\u015f\u0131mla, sesin en \u00f6nemli \u00f6zelliklerini \u00f6zetleyen bir dizi say\u0131sal katsay\u0131 \u00fcreten bir \u00f6zellik \u00e7\u0131karma tekni\u011fidir. K\u0131sacas\u0131, MFCC ses sinyalini bir “parmak izi”ne d\u00f6n\u00fc\u015ft\u00fcr\u00fcr; bu parmak izi, farkl\u0131 konu\u015fmac\u0131lar ve g\u00fcr\u00fclt\u00fcl\u00fc ortamlar kar\u015f\u0131s\u0131nda bile bir kelimenin benzersiz \u00f6zelliklerini korur. Peki, bu d\u00f6n\u00fc\u015f\u00fcm s\u00fcreci ad\u0131m ad\u0131m nas\u0131l i\u015fliyor?<\/p>\n

    \n
  1. \u00d6n Vurgulama (Pre-emphasis)<\/strong>: Ses sinyalindeki y\u00fcksek frekansl\u0131 bile\u015fenlerin enerjisi genellikle d\u00fc\u015f\u00fckt\u00fcr. \u00d6n vurgulama filtresi, bu y\u00fcksek frekanslar\u0131 g\u00fc\u00e7lendirerek sinyalin genel kalitesini art\u0131r\u0131r ve daha sonraki analizlerde daha belirgin hale gelmelerini sa\u011flar. Bu, kelimenin baz\u0131 fonemlerinin daha net ay\u0131rt edilmesine yard\u0131mc\u0131 olur.<\/li>\n
  2. \u00c7er\u00e7eveleme ve Pencereleme (Framing & Windowing)<\/strong>: Ses sinyali, genellikle milisaniyeler s\u00fcren k\u00fc\u00e7\u00fck, \u00f6rt\u00fc\u015fen \u00e7er\u00e7evelere b\u00f6l\u00fcn\u00fcr (\u00f6rne\u011fin, 25 ms’lik \u00e7er\u00e7eveler, 10 ms’lik kaymalarla). Her \u00e7er\u00e7eveye bir pencere fonksiyonu (\u00f6rn. Hamming penceresi) uygulan\u0131r. Bu, sinyalin ba\u015flang\u0131\u00e7 ve biti\u015f noktalar\u0131ndaki s\u00fcreksizlikleri azaltarak Fast Fourier Transform (FFT) i\u015fleminden kaynaklanan spektral s\u0131z\u0131nt\u0131y\u0131 minimize eder.<\/li>\n
  3. H\u0131zl\u0131 Fourier D\u00f6n\u00fc\u015f\u00fcm\u00fc (FFT – Fast Fourier Transform)<\/strong>: Her \u00e7er\u00e7evedeki zaman domeni sinyali, FFT kullan\u0131larak frekans domenine d\u00f6n\u00fc\u015ft\u00fcr\u00fcl\u00fcr. Bu i\u015flem, sesin hangi frekanslarda ne kadar enerjiye sahip oldu\u011funu g\u00f6steren bir g\u00fc\u00e7 spektrumu elde etmemizi sa\u011flar. \u0130nsan sesi, farkl\u0131 frekans bantlar\u0131nda farkl\u0131 enerji yo\u011funluklar\u0131na sahiptir ve FFT bu yap\u0131y\u0131 ortaya \u00e7\u0131kar\u0131r.<\/li>\n
  4. Mel Filtre Bankalar\u0131 (Mel Filter Banks)<\/strong>: Elde edilen g\u00fc\u00e7 spektrumu, Mel \u00f6l\u00e7e\u011finde e\u015fit aral\u0131kl\u0131 olan bir dizi \u00fc\u00e7gen filtre bankas\u0131ndan ge\u00e7irilir. Mel \u00f6l\u00e7e\u011fi, insan kula\u011f\u0131n\u0131n al\u00e7ak frekanslardaki farkl\u0131l\u0131klara y\u00fcksek frekanslardakinden daha hassas oldu\u011fu ger\u00e7e\u011fini modelleyen logaritmik bir frekans \u00f6l\u00e7e\u011fidir. Bu, insan i\u015fitsel sisteminin davran\u0131\u015f\u0131n\u0131 taklit ederek, konu\u015fma tan\u0131ma i\u00e7in daha uygun \u00f6zellikler elde etmemizi sa\u011flar. Her filtreden ge\u00e7en enerjinin toplam\u0131 al\u0131n\u0131r.<\/li>\n
  5. Logaritmik D\u00f6n\u00fc\u015f\u00fcm<\/strong>: Mel filtre bankalar\u0131ndan elde edilen enerjilere logaritmik bir d\u00f6n\u00fc\u015f\u00fcm uygulan\u0131r. Bu, insan i\u015fitmesinin ses \u015fiddetine logaritmik olarak tepki vermesiyle tutarl\u0131d\u0131r ve sinyalin dinamik aral\u0131\u011f\u0131n\u0131 s\u0131k\u0131\u015ft\u0131r\u0131r.<\/li>\n
  6. Ayr\u0131k Kosin\u00fcs D\u00f6n\u00fc\u015f\u00fcm\u00fc (DCT – Discrete Cosine Transform)<\/strong>: Son ad\u0131mda, log-enerjilere DCT uygulan\u0131r. Bu d\u00f6n\u00fc\u015f\u00fcm, \u00f6zellik setini daha da s\u0131k\u0131\u015ft\u0131r\u0131r ve katsay\u0131lar aras\u0131ndaki korelasyonu azalt\u0131r. Ortaya \u00e7\u0131kan katsay\u0131lara MFCC denir. Genellikle 12-20 civar\u0131nda MFCC katsay\u0131s\u0131 kullan\u0131l\u0131r, ayr\u0131ca genellikle her \u00e7er\u00e7evenin logaritmik enerji de\u011feri de bu katsay\u0131lara eklenerek toplam \u00f6zellik vekt\u00f6r\u00fc olu\u015fturulur. Bu katsay\u0131lar, sesin t\u0131n\u0131s\u0131n\u0131 ve bi\u00e7imini temsil eden say\u0131sal vekt\u00f6rlerdir ve Evri\u015fimsel Sinir A\u011flar\u0131 (CNN) gibi makine \u00f6\u011frenimi modellerinin do\u011frudan girdi olarak kullanabilece\u011fi bir formattad\u0131r.<\/li>\n<\/ol>\n

    \u00d6rne\u011fin, Python’da librosa<\/code> k\u00fct\u00fcphanesini kullanarak MFCC \u00e7\u0131karmak olduk\u00e7a basittir:<\/p>\n

    \nimport librosa\nimport numpy as np\n\n# Ses dosyas\u0131n\u0131 y\u00fckle\ny, sr = librosa.load('uyandirma_kelimesi.wav', sr=16000) # \u00d6rnek: 16 kHz \u00f6rnekleme oran\u0131\n\n# MFCC \u00f6zelliklerini \u00e7\u0131kar\n# n_mfcc: Ka\u00e7 adet MFCC katsay\u0131s\u0131 \u00e7\u0131kar\u0131laca\u011f\u0131\n# hop_length: \u00c7er\u00e7eveler aras\u0131 kayma miktar\u0131 (\u00f6rnek say\u0131s\u0131 cinsinden)\nmfccs = librosa.feature.mfcc(y=y, sr=sr, n_mfcc=40, hop_length=int(sr*0.01))\n\n# Genellikle delta ve delta-delta (ivme) katsay\u0131lar\u0131 da eklenir.\n# Bu, zaman i\u00e7indeki de\u011fi\u015fimi yakalamaya yard\u0131mc\u0131 olur.\nmfccs_delta = librosa.feature.delta(mfccs)\nmfccs_delta2 = librosa.feature.delta(mfccs, order=2)\n\n# T\u00fcm \u00f6zellikleri birle\u015ftir\nmfccs_full = np.concatenate((mfccs, mfccs_delta, mfccs_delta2), axis=0)\n\nprint(f\"MFCC \u00d6zellik Boyutu: {mfccs_full.shape}\")\n# \u00c7\u0131kt\u0131 \u00f6rnek: MFCC \u00d6zellik Boyutu: (120, 150) -> 120 katsay\u0131 (40 temel, 40 delta, 40 delta-delta), 150 \u00e7er\u00e7eve\n<\/pre>\n
    <\/code><\/p>\n
    Bu MFCC matrisi, ses sinyalinin zamansal ve frekansal \u00f6zelliklerini temsil eden yo\u011fun bir veri k\u00fcmesidir. Bu matris, bir resim gibi ele al\u0131nabilir ve Evri\u015fimsel Sinir A\u011flar\u0131'n\u0131n (CNN) bu t\u00fcr yap\u0131lar\u0131 i\u015fleme yetene\u011fi sayesinde uyand\u0131rma kelimesi tespitinde etkili bir \u015fekilde kullan\u0131labilir.<\/p>\n
    Evri\u015fimsel Sinir A\u011flar\u0131 (CNN) Uyand\u0131rma Kelimesini Nas\u0131l Tan\u0131r?<\/h2>\n
    Evri\u015fimsel Sinir A\u011flar\u0131 (CNN), genellikle g\u00f6r\u00fcnt\u00fc i\u015fleme g\u00f6revleriyle \u00f6zde\u015fle\u015fse de, ses verileri \u00fczerinde de son derece ba\u015far\u0131l\u0131 sonu\u00e7lar vermektedir. Bunun temel nedeni, MFCC veya mel spektrumu gibi ses \u00f6zelliklerinin, zaman-frekans d\u00fczleminde bir \"resim\" gibi temsil edilebilmesidir. Yani, bir MFCC matrisi, piksel de\u011ferleri yerine sesin belirli frekanslardaki enerji yo\u011funlu\u011funu temsil eden de\u011ferlere sahip bir 2D veri yap\u0131s\u0131 olarak d\u00fc\u015f\u00fcn\u00fclebilir. CNN'ler bu t\u00fcr 2D yap\u0131daki yerel \u00f6r\u00fcnt\u00fcleri ve hiyerar\u015fik \u00f6zellikleri tespit etmede uzmand\u0131r.<\/p>\n
    Bir CNN'in uyand\u0131rma kelimesini tan\u0131mas\u0131nda rol oynayan temel bile\u015fenleri ve \u00e7al\u0131\u015fma prensibini \u015fu \u015fekilde a\u00e7\u0131klayabiliriz:<\/p>\n
      \n
    1. Evri\u015fim Katmanlar\u0131 (Convolutional Layers)<\/strong>: Bu katmanlar, MFCC matrisi \u00fczerinde k\u00fc\u00e7\u00fck filtreler (kernel'lar) uygulayarak \u00e7al\u0131\u015f\u0131r. Her filtre, matrisin farkl\u0131 b\u00f6lgelerinde belirli \u00f6r\u00fcnt\u00fcleri (\u00f6rne\u011fin, belirli bir frekans band\u0131nda y\u00fckselen veya al\u00e7alan enerji seviyeleri) arar. \u00d6rne\u011fin, bir filtre \"uyand\u0131rma kelimesinin\" belirli bir fonemine \u00f6zg\u00fc frekans ge\u00e7i\u015flerini tan\u0131rken, ba\u015fka bir filtre kelimenin ritmik yap\u0131s\u0131n\u0131 alg\u0131layabilir. Bu filtreler, t\u00fcm giri\u015f matrisini tarayarak \"\u00f6zellik haritalar\u0131\" (feature maps) olu\u015fturur. Bu i\u015flem, t\u0131pk\u0131 insan beyninin sesin farkl\u0131 \u00f6zelliklerini ayr\u0131\u015ft\u0131rmas\u0131 gibi, sesin karma\u015f\u0131k yap\u0131s\u0131n\u0131 daha k\u00fc\u00e7\u00fck, y\u00f6netilebilir ve anlaml\u0131 par\u00e7alara ay\u0131r\u0131r.<\/li>\n
    2. Aktivasyon Fonksiyonlar\u0131 (Activation Functions)<\/strong>: Evri\u015fim katmanlar\u0131ndan sonra genellikle ReLU (Rectified Linear Unit) gibi aktivasyon fonksiyonlar\u0131 kullan\u0131l\u0131r. Bu fonksiyonlar, sinir a\u011flar\u0131na do\u011frusal olmayanl\u0131k katarak daha karma\u015f\u0131k ili\u015fkileri \u00f6\u011frenmelerini sa\u011flar. Bu, modelin uyand\u0131rma kelimesi gibi do\u011frusal olmayan ses \u00f6r\u00fcnt\u00fclerini tespit etme yetene\u011fini art\u0131r\u0131r.<\/li>\n
    3. Havuzlama Katmanlar\u0131 (Pooling Layers)<\/strong>: Havuzlama katmanlar\u0131 (\u00f6rne\u011fin, Max Pooling veya Average Pooling), \u00f6zellik haritalar\u0131n\u0131n boyutunu k\u00fc\u00e7\u00fclt\u00fcrken en \u00f6nemli bilgileri korur. Bu, hem hesaplama y\u00fck\u00fcn\u00fc azalt\u0131r hem de modelin k\u00fc\u00e7\u00fck de\u011fi\u015fikliklere (\u00f6rne\u011fin, konu\u015fmac\u0131n\u0131n ses tonundaki hafif de\u011fi\u015fiklikler veya sesin ba\u015flang\u0131\u00e7 zaman\u0131ndaki k\u00fc\u00e7\u00fck kaymalar) kar\u015f\u0131 daha diren\u00e7li olmas\u0131n\u0131 sa\u011flar. Bu sayede model, \"konumdan ba\u011f\u0131ms\u0131z\" \u00f6zellikler \u00f6\u011frenir; yani uyand\u0131rma kelimesi ses ak\u0131\u015f\u0131n\u0131n tam olarak neresinde olursa olsun tan\u0131yabilir.<\/li>\n
    4. Tam Ba\u011flant\u0131l\u0131 Katmanlar (Fully Connected Layers)<\/strong>: Evri\u015fim ve havuzlama katmanlar\u0131ndan elde edilen y\u00fcksek seviyeli \u00f6zellikler, en son tam ba\u011flant\u0131l\u0131 katmanlara iletilir. Bu katmanlar, \u00f6\u011frenilen \u00f6zellikleri nihai bir s\u0131n\u0131fland\u0131rma yapmak i\u00e7in kullan\u0131r. Uyand\u0131rma kelimesi tespiti i\u00e7in bu katman genellikle iki \u00e7\u0131kt\u0131ya sahiptir: \"uyand\u0131rma kelimesi alg\u0131land\u0131\" ve \"uyand\u0131rma kelimesi alg\u0131lanmad\u0131\".<\/li>\n<\/ol>\n
      CNN'lerin ses verileri i\u00e7in uygun olmas\u0131n\u0131n bir di\u011fer nedeni, zaman ve frekans eksenlerindeki lokal korelasyonlar\u0131 yakalayabilme yetenekleridir. Uyand\u0131rma kelimeleri, belirli zaman dilimlerinde belirli frekans aral\u0131klar\u0131nda meydana gelen \u00f6r\u00fcnt\u00fclerden olu\u015fur. CNN'ler bu t\u00fcr \u00f6r\u00fcnt\u00fcleri otomatik olarak ke\u015ffedebilir ve \u00f6\u011frenebilir. D\u00fc\u015f\u00fck g\u00fc\u00e7 t\u00fcketimi ba\u011flam\u0131nda ise, CNN'lerin \u00f6zellikle k\u00fc\u00e7\u00fck ve optimize edilmi\u015f versiyonlar\u0131 (\u00f6rne\u011fin, TinyML i\u00e7in tasarlanm\u0131\u015f modeller), d\u00fc\u015f\u00fck kaynakl\u0131 mikrodenetleyicilerde bile \u00e7al\u0131\u015fabilecek \u015fekilde tasarlanabilir. Bu, katman say\u0131s\u0131n\u0131, filtre boyutlar\u0131n\u0131 ve \u00e7ekirdek say\u0131lar\u0131n\u0131 dikkatli bir \u015fekilde se\u00e7erek veya model s\u0131k\u0131\u015ft\u0131rma teknikleri (nicemleme, budama) uygulayarak elde edilir. Bu yakla\u015f\u0131mlar, enerji verimlili\u011fini maksimize ederken yine de %95 gibi y\u00fcksek bir do\u011fruluk oran\u0131na ula\u015fmay\u0131 hedefler.<\/p>\n
      D\u00fc\u015f\u00fck G\u00fc\u00e7 T\u00fcketimli Bir Sistem Nas\u0131l Tasarlan\u0131r: Pratik Ad\u0131mlar<\/h2>\n
      D\u00fc\u015f\u00fck g\u00fc\u00e7 t\u00fcketimli ve y\u00fcksek do\u011fruluklu bir uyand\u0131rma kelimesi tespit sistemi tasarlamak, sadece g\u00fc\u00e7l\u00fc algoritmalar\u0131 bilmekten \u00f6te, sistemin her bile\u015fenini dikkatlice optimize etmeyi gerektirir. Bu s\u00fcre\u00e7, veri toplama ve haz\u0131rl\u0131\u011f\u0131ndan ba\u015flar, model mimarisi se\u00e7imi ve e\u011fitim a\u015famas\u0131na kadar devam eder. \u0130\u015fte ad\u0131m ad\u0131m nas\u0131l ilerleyebilece\u011finize dair bir rehber:<\/p>\n
      Veri Seti Haz\u0131rl\u0131\u011f\u0131: Kaliteli Veri Neden Ba\u015far\u0131n\u0131n Anahtar\u0131d\u0131r?<\/h3>\n
      Her makine \u00f6\u011frenimi projesinde oldu\u011fu gibi, uyand\u0131rma kelimesi tespitinin ba\u015far\u0131s\u0131 da b\u00fcy\u00fck \u00f6l\u00e7\u00fcde veri setinin kalitesine ve \u00e7e\u015fitlili\u011fine ba\u011fl\u0131d\u0131r. Yetersiz veya hatal\u0131 veri, modelin genelleme yetene\u011fini d\u00fc\u015f\u00fcr\u00fcr ve performans\u0131n\u0131 s\u0131n\u0131rlar. Bir uyand\u0131rma kelimesi tespit sistemi i\u00e7in iki ana veri t\u00fcr\u00fcne ihtiyac\u0131n\u0131z vard\u0131r:<\/p>\n
        \n
      1. Uyand\u0131rma Kelimesi \u00d6rnekleri (Positive Samples)<\/strong>: Cihaz\u0131n tepki vermesini istedi\u011finiz kelimelerin (\u00f6rne\u011fin, \"Ok Google\", \"Hey Bilgisayar\") farkl\u0131 konu\u015fmac\u0131lar, farkl\u0131 aksanlar ve farkl\u0131 ortam g\u00fcr\u00fclt\u00fc seviyeleriyle kaydedilmi\u015f \u00f6rnekleri. Ne kadar \u00e7e\u015fitli ve geni\u015f bir \u00f6rneklem olursa, model o kadar genellenebilir olacakt\u0131r.<\/li>\n
      2. Negatif \u00d6rnekler (Negative Samples)<\/strong>: Bu \u00f6rnekler, iki kategoriye ayr\u0131l\u0131r:\n
          \n
        • Rastgele Konu\u015fma ve Sesler<\/strong>: Cihaz\u0131n uyand\u0131rma kelimesi olarak alg\u0131lamamas\u0131n\u0131 istedi\u011finiz her t\u00fcrl\u00fc ses (rastgele konu\u015fma, m\u00fczik, ortam g\u00fcr\u00fclt\u00fcs\u00fc, g\u00fcnl\u00fck sesler). Bu, yanl\u0131\u015f pozitif oran\u0131n\u0131 d\u00fc\u015f\u00fcrmek i\u00e7in hayati \u00f6neme sahiptir.<\/li>\n
        • Benzer Sesli Kelimeler (Confusers)<\/strong>: Uyand\u0131rma kelimesine fonetik olarak benzeyen ancak farkl\u0131 anlamlara gelen kelimeler (\u00f6rne\u011fin, \"Ok Google\" i\u00e7in \"Yok Google\" veya \"Kukla\"). Bu, modelin ince ayr\u0131mlar\u0131 yapabilme yetene\u011fini geli\u015ftirir.<\/li>\n<\/ul>\n<\/li>\n<\/ol>\n
          Veri setini zenginle\u015ftirmek i\u00e7in veri b\u00fcy\u00fctme (data augmentation)<\/strong> tekniklerini kullanmak \u015fartt\u0131r. Bunlar, mevcut verilere k\u00fc\u00e7\u00fck ama etkili de\u011fi\u015fiklikler uygulayarak veri setini yapay olarak geni\u015fletmeyi ve modelin g\u00fcr\u00fclt\u00fcye, tonlama de\u011fi\u015fikliklerine veya h\u0131z farkl\u0131l\u0131klar\u0131na kar\u015f\u0131 daha diren\u00e7li olmas\u0131n\u0131 sa\u011flamay\u0131 i\u00e7erir:<\/p>\n
            \n
          • G\u00fcr\u00fclt\u00fc Ekleme<\/strong>: Farkl\u0131 t\u00fcrdeki ortam g\u00fcr\u00fclt\u00fclerini (kafe g\u00fcr\u00fclt\u00fcs\u00fc, trafik, r\u00fczgar vb.) uyand\u0131rma kelimesi \u00f6rneklerine rastgele seviyelerde eklemek.<\/li>\n
          • Kayd\u0131rma (Shifting)<\/strong>: Ses dosyas\u0131n\u0131n ba\u015flang\u0131\u00e7 noktas\u0131n\u0131 rastgele kayd\u0131rmak.<\/li>\n
          • H\u0131z De\u011fi\u015fimi (Time Stretching)<\/strong>: Sesin h\u0131z\u0131n\u0131 de\u011fi\u015ftirmek (yava\u015flatmak veya h\u0131zland\u0131rmak) konu\u015fmac\u0131 h\u0131z\u0131ndaki varyasyonlar\u0131 taklit eder.<\/li>\n
          • Perde Kayd\u0131rma (Pitch Shifting)<\/strong>: Sesin perdesini de\u011fi\u015ftirmek, farkl\u0131 konu\u015fmac\u0131lar\u0131n ses tonlar\u0131ndaki de\u011fi\u015fiklikleri sim\u00fcle eder.<\/li>\n
          • Vol\u00fcm De\u011fi\u015fimi<\/strong>: Sesin \u015fiddetini rastgele art\u0131rmak veya azaltmak.<\/li>\n<\/ul>\n
            Model Mimarisi Se\u00e7imi: TinyML \u0130\u00e7in Do\u011fru CNN Nas\u0131l Belirlenir?<\/h3>\n
            D\u00fc\u015f\u00fck g\u00fc\u00e7 t\u00fcketimli bir sistem i\u00e7in model se\u00e7imi hayati \u00f6nem ta\u015f\u0131r. B\u00fcy\u00fck, karma\u015f\u0131k a\u011flar y\u00fcksek do\u011fruluk sunabilirken, enerji t\u00fcketimleri ve bellek ayak izleri nedeniyle g\u00f6m\u00fcl\u00fc sistemler i\u00e7in uygun de\u011fildir. TinyML prensiplerine uygun olarak, k\u00fc\u00e7\u00fck ama verimli CNN mimarileri tercih edilmelidir. \u0130\u015fte baz\u0131 yakla\u015f\u0131mlar:<\/p>\n
              \n
            • Derinlik Ayr\u0131labilir Evri\u015fimler (Depthwise Separable Convolutions)<\/strong>: MobileNet gibi mimarilerde kullan\u0131lan bu teknik, standart evri\u015fimlere g\u00f6re \u00e7ok daha az parametre ve hesaplama gerektirir, ancak benzer do\u011fruluk seviyelerini koruyabilir.<\/li>\n
            • Basit CNN Mimarileri<\/strong>: \u00c7ok derin olmayan, az say\u0131da katmandan olu\u015fan ve k\u00fc\u00e7\u00fck filtre boyutlar\u0131na sahip kendi \u00f6zel CNN'inizi tasarlayabilirsiniz. \u00d6rne\u011fin, birka\u00e7 evri\u015fim katman\u0131 (3x3 veya 5x5 filtrelerle), ard\u0131ndan havuzlama katmanlar\u0131 ve sonunda iki n\u00f6ronlu bir \u00e7\u0131kt\u0131 katman\u0131 (uyand\u0131rma kelimesi var\/yok) yeterli olabilir.<\/li>\n
            • Katman Say\u0131s\u0131 ve N\u00f6ron Say\u0131s\u0131<\/strong>: Mimarideki katman say\u0131s\u0131n\u0131 ve her katmandaki filtre\/n\u00f6ron say\u0131s\u0131n\u0131 minimumda tutmaya \u00e7al\u0131\u015f\u0131n. Her ek katman ve n\u00f6ron, bellek ve i\u015flem g\u00fcc\u00fc gereksinimlerini art\u0131r\u0131r.<\/li>\n<\/ul>\n
              \u00d6rnek bir TensorFlow\/Keras ile basit bir d\u00fc\u015f\u00fck g\u00fc\u00e7 CNN modeli:<\/p>\n
              \nimport tensorflow as tf\nfrom tensorflow.keras.models import Sequential\nfrom tensorflow.keras.layers import Conv2D, MaxPooling2D, Flatten, Dense, Dropout, BatchNormalization\n\ndef build_tiny_cnn(input_shape=(40, 100, 1), num_classes=2): # MFCCs 40 katsay\u0131, 100 zaman \u00e7er\u00e7evesi, 1 kanal\n    model = Sequential([\n        Conv2D(32, (3, 3), activation='relu', input_shape=input_shape, padding='same'),\n        BatchNormalization(),\n        MaxPooling2D((2, 2)),\n        Dropout(0.25),\n\n        Conv2D(64, (3, 3), activation='relu', padding='same'),\n        BatchNormalization(),\n        MaxPooling2D((2, 2)),\n        Dropout(0.25),\n\n        Flatten(),\n        Dense(128, activation='relu'),\n        BatchNormalization(),\n        Dropout(0.5),\n        Dense(num_classes, activation='softmax') # \u0130kili s\u0131n\u0131fland\u0131rma i\u00e7in softmax\n    ])\n    return model\n\n# Modeli olu\u015ftur\ntiny_cnn_model = build_tiny_cnn()\ntiny_cnn_model.summary()\n\n# Modeli derle (\u00f6rne\u011fin, ikili s\u0131n\u0131fland\u0131rma i\u00e7in)\ntiny_cnn_model.compile(optimizer='adam',\n                       loss='sparse_categorical_crossentropy', # E\u011fer etiketler tamsay\u0131 ise\n                       metrics=['accuracy'])\n<\/pre>\n
              <\/code><\/p>\n
              E\u011fitim ve Optimizasyon: Modelimizi Nas\u0131l Daha Verimli Hale Getiririz?<\/h3>\n
              Modelinizi e\u011fittikten sonra bile, d\u00fc\u015f\u00fck g\u00fc\u00e7 t\u00fcketimi hedefine ula\u015fmak i\u00e7in ek optimizasyonlara ihtiyac\u0131n\u0131z olabilir. Bu optimizasyonlar, modelin performans\u0131n\u0131 korurken kaynak kullan\u0131m\u0131n\u0131 azaltmay\u0131 hedefler:<\/p>\n
                \n
              1. Nicemleme (Quantization)<\/strong>: Bu, model a\u011f\u0131rl\u0131klar\u0131n\u0131 ve aktivasyonlar\u0131n\u0131 daha d\u00fc\u015f\u00fck bit derinli\u011fine d\u00f6n\u00fc\u015ft\u00fcrme i\u015flemidir (\u00f6rne\u011fin, 32-bit float'tan 8-bit integer'a). Bu, modelin boyutunu k\u00fc\u00e7\u00fclt\u00fcr ve hesaplamalar\u0131 \u00e7ok daha h\u0131zl\u0131 ve enerji verimli hale getirir. TensorFlow Lite gibi \u00e7er\u00e7eveler, nicemlemeyi kolayla\u015ft\u0131ran ara\u00e7lar sunar. Hem e\u011fitim sonras\u0131 nicemleme (post-training quantization) hem de nicemleme fark\u0131ndal\u0131kl\u0131 e\u011fitim (quantization-aware training) teknikleri mevcuttur.<\/li>\n
              2. Budama (Pruning)<\/strong>: Budama, modeldeki \u00f6nemsiz a\u011f\u0131rl\u0131klar\u0131 veya n\u00f6ronlar\u0131 kald\u0131rma i\u015flemidir. Bu, modelin seyreltik hale gelmesini sa\u011flar ve daha az parametreyle ayn\u0131 performans\u0131 sunabilir. Model boyutu ve hesaplama maliyeti azal\u0131r.<\/li>\n
              3. Bilgi Dam\u0131tma (Knowledge Distillation)<\/strong>: B\u00fcy\u00fck, y\u00fcksek performansl\u0131 bir \"\u00f6\u011fretmen\" modeli kullanarak, daha k\u00fc\u00e7\u00fck ve verimli bir \"\u00f6\u011frenci\" modelini e\u011fitebilirsiniz. \u00d6\u011frenci modeli, \u00f6\u011fretmenin tahminlerini taklit etmeyi \u00f6\u011frenir, b\u00f6ylece boyutundan daha iyi performans sergileyebilir.<\/li>\n
              4. \u00d6zel Donan\u0131m Optimizasyonlar\u0131<\/strong>: Mikrodenetleyicilerde veya \u00f6zel yapay zeka h\u0131zland\u0131r\u0131c\u0131lar\u0131nda (NPU'lar) \u00e7al\u0131\u015facak \u015fekilde tasarlanm\u0131\u015f modeller, donan\u0131m mimarisine \u00f6zg\u00fc optimizasyonlarla daha da h\u0131zland\u0131r\u0131labilir. Bu platformlar genellikle d\u00fc\u015f\u00fck hassasiyetli aritmetik i\u015flemleri (\u00f6rne\u011fin, 8-bit integer) donan\u0131msal olarak destekler.<\/li>\n<\/ol>\n
                Ger\u00e7ek D\u00fcnya Senaryolar\u0131 ve Vaka Analizleri: Nerede Kullan\u0131l\u0131yor?<\/h2>\n
                Uyand\u0131rma kelimesi tespiti, modern teknolojinin temel ta\u015flar\u0131ndan biri haline geldi ve g\u00fcnl\u00fck ya\u015fam\u0131m\u0131zdaki bir\u00e7ok cihazda kar\u015f\u0131m\u0131za \u00e7\u0131k\u0131yor. Bu teknoloji, kullan\u0131c\u0131lar\u0131n cihazlar\u0131yla do\u011fal bir \u015fekilde etkile\u015fim kurmas\u0131n\u0131 sa\u011flarken, ayn\u0131 zamanda enerji verimlili\u011fi ve gizlilik gibi kritik endi\u015feleri de ele al\u0131yor. \u0130\u015fte bu teknolojinin yayg\u0131n olarak kullan\u0131ld\u0131\u011f\u0131 baz\u0131 ger\u00e7ek d\u00fcnya senaryolar\u0131 ve vaka analizleri:<\/p>\n
                  \n
                • Ak\u0131ll\u0131 Hoparl\u00f6rler ve Ev Asistanlar\u0131 (Amazon Echo, Google Home, Apple HomePod)<\/strong>: Bu cihazlar, uyand\u0131rma kelimesi tespiti teknolojisinin en bilinen \u00f6rnekleridir. \"Alexa\", \"Hey Google\" veya \"Hey Siri\" gibi komutlar, cihaz\u0131n mikrofonlar\u0131n\u0131n s\u00fcrekli olarak bu kelimeleri dinlemesini sa\u011flar. Ancak, t\u00fcm ses i\u015fleme ve bulut ileti\u015fimi yaln\u0131zca uyand\u0131rma kelimesi alg\u0131land\u0131\u011f\u0131nda ba\u015flar. Bu sayede, cihazlar 7\/24 prizde tak\u0131l\u0131 kalsa bile, gereksiz enerji t\u00fcketiminden ka\u00e7\u0131n\u0131l\u0131r ve gizlilik endi\u015feleri nispeten azal\u0131r (\u00e7\u00fcnk\u00fc tam konu\u015fma i\u00e7eri\u011fi s\u00fcrekli olarak kaydedilip i\u015flenmez). Amazon'un Alexa's\u0131, olduk\u00e7a k\u00fc\u00e7\u00fck ve optimize edilmi\u015f bir CNN modeli kullanarak bu tespiti yerel olarak ger\u00e7ekle\u015ftirir.<\/li>\n
                • Ak\u0131ll\u0131 Telefonlar ve Giyilebilir Cihazlar (iPhone, Android Telefonlar, Ak\u0131ll\u0131 Saatler)<\/strong>: Telefonunuzun ekran\u0131 kapal\u0131yken bile \"Hey Siri\" veya \"Ok Google\" diyerek asistan\u0131n\u0131z\u0131 etkinle\u015ftirebilirsiniz. Bu \u00f6zellik, telefonun ana i\u015flemcisini (AP) uyand\u0131rmadan \u00f6nce, d\u00fc\u015f\u00fck g\u00fc\u00e7l\u00fc bir dijital sinyal i\u015flemcisi (DSP) veya \u00f6zel bir yard\u0131mc\u0131 i\u015flemci (coprocessor) \u00fczerinde \u00e7al\u0131\u015fan minyat\u00fcr bir WWD modeli sayesinde m\u00fcmk\u00fcn olur. Apple'\u0131n T2\/M-chip'leri veya baz\u0131 Android cihazlardaki \u00f6zel AI i\u015flemcileri, bu t\u00fcr d\u00fc\u015f\u00fck g\u00fc\u00e7 i\u015flemleri i\u00e7in tasarlanm\u0131\u015ft\u0131r. Ak\u0131ll\u0131 saatlerde ise pil \u00f6mr\u00fc daha da kritiktir; bu y\u00fczden WWD modellerinin son derece hafif ve verimli olmas\u0131 gerekir.<\/li>\n
                • Otomotiv Sekt\u00f6r\u00fc (Ara\u00e7 \u0130\u00e7i Sesli Asistanlar)<\/strong>: Modern otomobillerde navigasyonu ayarlamak, m\u00fczik de\u011fi\u015ftirmek veya klima kontrol\u00fcn\u00fc sa\u011flamak i\u00e7in sesli komutlar yayg\u0131nla\u015f\u0131yor. \"Hey Mercedes\" veya \"Merhaba BMW\" gibi uyand\u0131rma kelimeleri, s\u00fcr\u00fcc\u00fcn\u00fcn dikkatinin da\u011f\u0131lmas\u0131n\u0131 \u00f6nlerken g\u00fcvenli ve rahat bir s\u00fcr\u00fc\u015f deneyimi sunar. Ara\u00e7 i\u00e7i sistemler, yol g\u00fcr\u00fclt\u00fcs\u00fc ve motor sesi gibi zorlu ortam ko\u015fullar\u0131nda bile do\u011fru tespit yapabilmek i\u00e7in geli\u015fmi\u015f WWD sistemlerine ihtiya\u00e7 duyar.<\/li>\n
                • End\u00fcstriyel Uygulamalar ve IoT (Nesnelerin \u0130nterneti)<\/strong>: Fabrika ortamlar\u0131nda eller serbest kontrol gerektiren durumlar veya ak\u0131ll\u0131 binalarda enerji tasarrufu sa\u011flamak amac\u0131yla uyand\u0131rma kelimesi tespiti kullan\u0131labilir. \u00d6rne\u011fin, bir bak\u0131m teknisyeni \"Ba\u015flat Talimat\" diyerek bir cihaz\u0131n servis prosed\u00fcr\u00fcn\u00fc sesli olarak ba\u015flatabilir. IoT cihazlar\u0131nda ise genellikle \u00e7ok k\u0131s\u0131tl\u0131 g\u00fc\u00e7 ve i\u015flem kaynaklar\u0131 bulunur, bu da TinyML ve ultra-d\u00fc\u015f\u00fck g\u00fc\u00e7 t\u00fcketimli CNN modellerinin kullan\u0131m\u0131n\u0131 zorunlu k\u0131lar.<\/li>\n<\/ul>\n
                  Bir vaka analizi olarak, bir ak\u0131ll\u0131 ev otomasyon sistemi geli\u015ftirdi\u011fimizi d\u00fc\u015f\u00fcnelim. Bu sistemde, belirli bir odadaki \u0131\u015f\u0131klar\u0131 veya termostat\u0131 kontrol etmek i\u00e7in \"Evim Aktif\" gibi bir uyand\u0131rma kelimesi kullanmak istiyoruz. Sistem, k\u00fc\u00e7\u00fck bir mikrodenetleyici (\u00f6rne\u011fin, ESP32 veya Raspberry Pi Pico gibi) \u00fczerinde \u00e7al\u0131\u015facak ve pille beslenecek. Bu senaryoda:<\/p>\n
                    \n
                  1. Veri Toplama<\/strong>: Farkl\u0131 ev \u00fcyelerinin \"Evim Aktif\" kelimesini farkl\u0131 tonlarda ve evdeki tipik arka plan g\u00fcr\u00fclt\u00fcleriyle (TV sesi, \u00e7ocuk sesleri) kaydederiz. Ayr\u0131ca, benzer sesli kelimeleri (\u00f6rne\u011fin, \"Evim Sakin\", \"Evim A\u00e7\u0131k\") ve genel konu\u015fmay\u0131 da negatif \u00f6rnek olarak toplar\u0131z.<\/li>\n
                  2. MFCC \u00c7\u0131kar\u0131m\u0131<\/strong>: Toplanan ses verilerinden 40-60 MFCC katsay\u0131s\u0131 \u00e7\u0131kar\u0131r\u0131z, delta ve delta-delta katsay\u0131lar\u0131n\u0131 da ekleyerek \u00f6zellik setini zenginle\u015ftiririz.<\/li>\n
                  3. Model Se\u00e7imi ve E\u011fitimi<\/strong>: Yukar\u0131da bahsedilen k\u00fc\u00e7\u00fck bir CNN mimarisini (belki iki veya \u00fc\u00e7 evri\u015fim katman\u0131) kullanarak modeli e\u011fitiriz. E\u011fitim s\u0131ras\u0131nda veri b\u00fcy\u00fctme tekniklerini yo\u011fun bir \u015fekilde kullan\u0131r\u0131z.<\/li>\n
                  4. Optimizasyon ve Da\u011f\u0131t\u0131m<\/strong>: E\u011fitilmi\u015f modeli 8-bit tam say\u0131 nicemlemesi ile optimize ederiz. Ard\u0131ndan, TensorFlow Lite Micro gibi bir \u00e7er\u00e7eve kullanarak modeli mikrodenetleyiciye g\u00f6meriz. Bu, milisaniyeler i\u00e7inde uyand\u0131rma kelimesini tespit edebilen ve mikroamper seviyesinde g\u00fc\u00e7 t\u00fcketen bir sistemin olu\u015fturulmas\u0131n\u0131 sa\u011flar.<\/li>\n<\/ol>\n
                    Bu \u00f6rnekte, d\u00fc\u015f\u00fck g\u00fc\u00e7 t\u00fcketimi, h\u0131zl\u0131 yan\u0131t s\u00fcresi ve y\u00fcksek do\u011fruluk, kullan\u0131c\u0131lar\u0131n ak\u0131ll\u0131 ev sistemine g\u00fcvenmesini ve onu etkin bir \u015fekilde kullanmas\u0131n\u0131 sa\u011flayan temel fakt\u00f6rlerdir.<\/p>\n
                    Performans\u0131 Art\u0131rma ve G\u00fc\u00e7 T\u00fcketimini Azaltma \u0130pu\u00e7lar\u0131 (\u0130leri D\u00fczey)<\/h2>\n
                    Daha \u00f6nce bahsetti\u011fimiz temel ad\u0131mlar, \u00e7o\u011fu d\u00fc\u015f\u00fck g\u00fc\u00e7 t\u00fcketimli uyand\u0131rma kelimesi tespiti sistemi i\u00e7in iyi bir ba\u015flang\u0131\u00e7 noktas\u0131d\u0131r. Ancak, sistemin performans\u0131n\u0131 %95 do\u011fruluk seviyesinin \u00fczerine \u00e7\u0131karmak veya g\u00fc\u00e7 t\u00fcketimini daha da optimize etmek isteyenler i\u00e7in baz\u0131 ileri d\u00fczey teknikler ve ipu\u00e7lar\u0131 mevcuttur. Bu teknikler, genellikle daha fazla m\u00fchendislik \u00e7abas\u0131 gerektirir ancak sonu\u00e7lar\u0131 olduk\u00e7a tatmin edici olabilir.<\/p>\n
                      \n
                    1. Nicemleme-Fark\u0131ndal\u0131kl\u0131 E\u011fitim (Quantization-Aware Training - QAT)<\/strong>: E\u011fitim sonras\u0131 nicemleme (post-training quantization) iyi sonu\u00e7lar verebilirken, QAT, nicemlemenin etkilerini e\u011fitim s\u00fcrecine dahil eder. Model, e\u011fitim s\u0131ras\u0131nda 8-bit veya hatta 4-bit gibi d\u00fc\u015f\u00fck hassasiyetli a\u011f\u0131rl\u0131klar\u0131 ve aktivasyonlar\u0131 sim\u00fcle ederek e\u011fitilir. Bu, modelin nicemlemenin getirece\u011fi hassasiyet kay\u0131plar\u0131na daha dayan\u0131kl\u0131 olmas\u0131n\u0131 sa\u011flar ve genellikle daha y\u00fcksek do\u011fruluk seviyelerine ula\u015f\u0131r. TensorFlow Lite, bu t\u00fcr e\u011fitim i\u00e7in ara\u00e7lar sunar.<\/li>\n
                    2. Budama (Pruning) ve Seyreltme (Sparsity)<\/strong>: Modeldeki gereksiz a\u011f\u0131rl\u0131klar\u0131 s\u0131f\u0131rlayarak model boyutunu ve hesaplama y\u00fck\u00fcn\u00fc azaltman\u0131n \u00f6tesinde, seyreltik matris i\u015flemleri i\u00e7in optimize edilmi\u015f donan\u0131mlar kullanmak, performans\u0131 daha da art\u0131rabilir. Budama, modelin daha az bellek kullanmas\u0131n\u0131 sa\u011flar ve belirli donan\u0131mlarda daha h\u0131zl\u0131 \u00e7al\u0131\u015fmas\u0131na olanak tan\u0131r.<\/li>\n
                    3. Bilgi Dam\u0131tma (Knowledge Distillation)<\/strong>: B\u00fcy\u00fck ve karma\u015f\u0131k bir \"\u00f6\u011fretmen\" modelin bilgisi, daha k\u00fc\u00e7\u00fck ve h\u0131zl\u0131 bir \"\u00f6\u011frenci\" modele aktar\u0131l\u0131r. \u00d6\u011frenci modeli, hem ger\u00e7ek etiketlere hem de \u00f6\u011fretmenin tahmin da\u011f\u0131l\u0131m\u0131na g\u00f6re e\u011fitilir. Bu sayede \u00f6\u011frenci model, kendi ba\u015f\u0131na elde edemeyece\u011fi bir genelleme yetene\u011fi kazanabilir ve performans\u0131n\u0131 \u00f6nemli \u00f6l\u00e7\u00fcde art\u0131rabilir.<\/li>\n
                    4. \u00d6zel Evri\u015fim T\u00fcrleri ve Mimari Tasar\u0131m\u0131<\/strong>:\n
                        \n
                      • Grup Evri\u015fimleri (Grouped Convolutions)<\/strong>: Evri\u015fim katmanlar\u0131n\u0131 daha k\u00fc\u00e7\u00fck gruplara ay\u0131rarak hesaplama maliyetini d\u00fc\u015f\u00fcr\u00fcr.<\/li>\n
                      • Pointwise Evri\u015fimler (1x1 Convolutions)<\/strong>: Kanallar aras\u0131 bilgiyi s\u0131k\u0131\u015ft\u0131rmak ve derinlik ayr\u0131labilir evri\u015fimlerle birlikte kullan\u0131ld\u0131\u011f\u0131nda verimlili\u011fi art\u0131rmak i\u00e7in kullan\u0131l\u0131r.<\/li>\n
                      • ShuffleNet veya GhostNet gibi Hafif Mimariler<\/strong>: Bu mimariler, \u00f6zellikle mobil ve g\u00f6m\u00fcl\u00fc cihazlar i\u00e7in tasarlanm\u0131\u015f olup, \u00e7ok d\u00fc\u015f\u00fck hesaplama maliyetleriyle rekabet\u00e7i do\u011fruluklar sunar.<\/li>\n<\/ul>\n<\/li>\n
                      • \u00d6zel Donan\u0131m ve Optimize Edilmi\u015f \u00c7er\u00e7eveler<\/strong>:\n
                          \n
                        • TensorFlow Lite Micro (TFLu)<\/strong>: \u00d6zellikle mikrodenetleyiciler i\u00e7in tasarlanm\u0131\u015f bu \u00e7er\u00e7eve, Keras'ta e\u011fitilen modelleri ultra d\u00fc\u015f\u00fck bellek ayak iziyle \u00e7al\u0131\u015ft\u0131rabilir.<\/li>\n
                        • ONNX Runtime, OpenVINO<\/strong>: Daha g\u00fc\u00e7l\u00fc kenar cihazlar\u0131 (Edge AI) i\u00e7in tasarlanm\u0131\u015f bu \u00e7er\u00e7eveler, model optimizasyonlar\u0131 ve donan\u0131m h\u0131zland\u0131rmas\u0131 konusunda daha fazla esneklik sunar.<\/li>\n
                        • N\u00f6ral \u0130\u015flem Birimleri (NPU'lar) ve DSP'ler<\/strong>: Ak\u0131ll\u0131 telefonlar ve baz\u0131 mikrodenetleyicilerde bulunan bu \u00f6zel donan\u0131mlar, sinir a\u011f\u0131 hesaplamalar\u0131n\u0131 CPU'ya g\u00f6re \u00e7ok daha enerji verimli bir \u015fekilde ger\u00e7ekle\u015ftirebilir. Modelinizi bu donan\u0131mlar\u0131n \u00f6zelliklerine g\u00f6re optimize etmek, performans\u0131 ve verimlili\u011fi \u00f6nemli \u00f6l\u00e7\u00fcde art\u0131r\u0131r.<\/li>\n<\/ul>\n<\/li>\n
                        • D\u00fc\u015f\u00fck Gecikme ve Ger\u00e7ek Zamanl\u0131 \u0130\u015fleme Optimizasyonlar\u0131<\/strong>: Uyand\u0131rma kelimesi tespiti genellikle ger\u00e7ek zamanl\u0131 olmas\u0131 gereken bir g\u00f6revdir. Bu nedenle, ses \u00f6beklerinin i\u015fleme s\u00fcresi (inference latency) kritik \u00f6neme sahiptir.\n
                            \n
                          • Stream \u0130\u015fleme<\/strong>: Ses verilerini s\u00fcrekli ak\u0131\u015f halinde k\u00fc\u00e7\u00fck par\u00e7alar (chunk) halinde i\u015fleyerek gecikmeyi minimumda tutmak.<\/li>\n
                          • \u00c7ift Tamponlama (Double Buffering)<\/strong>: Bir yandan ses verisi toplan\u0131rken di\u011fer yandan \u00f6nceki verinin i\u015flenmesi, kesintisiz bir ak\u0131\u015f sa\u011flar.<\/li>\n<\/ul>\n<\/li>\n<\/ol>\n
                            Mobil uyumluluk i\u00e7in HTML taraf\u0131nda ise, CSS media query'ler kullanarak sayfan\u0131n farkl\u0131 ekran boyutlar\u0131na adaptasyonunu sa\u011flayabiliriz. Bu, i\u00e7eri\u011fin t\u00fcm cihazlarda okunabilir ve eri\u015filebilir olmas\u0131n\u0131 garanti eder:<\/p>\n
                            \n