G\u00f6r\u00fcnt\u00fc s\u0131n\u0131fland\u0131rma g\u00f6revlerinde y\u00fcksek do\u011fruluk oranlar\u0131na ula\u015fmak, yapay zeka alan\u0131nda s\u00fcrekli bir hedef olmu\u015ftur. \u00d6zellikle k\u0131s\u0131tl\u0131 kaynaklara sahip veri setlerinde bile etkileyici sonu\u00e7lar elde etmek, hem ara\u015ft\u0131rma hem de end\u00fcstriyel uygulamalar i\u00e7in b\u00fcy\u00fck \u00f6nem ta\u015f\u0131r. Bu makalede, pop\u00fcler CIFAR-100 veri setinde ResNet-50 mimarisi kullanarak %84.35 gibi y\u00fcksek bir do\u011fruluk oran\u0131na nas\u0131l ula\u015ft\u0131\u011f\u0131m\u0131z\u0131 ad\u0131m ad\u0131m inceleyece\u011fiz.<\/p>\n
G\u00fcn\u00fcm\u00fcz teknolojisinde g\u00f6r\u00fcnt\u00fclerin otomatik olarak s\u0131n\u0131fland\u0131r\u0131lmas\u0131, bir\u00e7ok sekt\u00f6rde devrim niteli\u011finde yenilikler sunmaktad\u0131r. Otonom ara\u00e7lardan t\u0131bbi g\u00f6r\u00fcnt\u00fclemeye, g\u00fcvenlik sistemlerinden perakendeye kadar geni\u015f bir yelpazede bu teknolojinin izlerini g\u00f6r\u00fcyoruz. Ancak bu uygulamalar\u0131n g\u00fcvenilir ve etkili olabilmesi i\u00e7in model performans\u0131n\u0131n, \u00f6zellikle de do\u011fruluk oran\u0131n\u0131n y\u00fcksek olmas\u0131 kritik \u00f6neme sahiptir. Peki, neden bu kadar y\u00fcksek do\u011fruluk oranlar\u0131 pe\u015findeyiz ve bu bizi nereye ta\u015f\u0131yor?<\/p>\n
Y\u00fcksek do\u011fruluk oranlar\u0131, bir modelin ger\u00e7ek d\u00fcnya senaryolar\u0131nda daha g\u00fcvenilir kararlar verebilmesi anlam\u0131na gelir. \u00d6rne\u011fin, bir otonom arac\u0131n yol i\u015faretlerini do\u011fru tan\u0131mas\u0131 veya bir t\u0131bbi te\u015fhis sisteminin t\u00fcm\u00f6rleri hatas\u0131z belirlemesi hayati \u00f6nem ta\u015f\u0131r. Bu ba\u011flamda, %84.35 gibi bir do\u011fruluk oran\u0131, CIFAR-100 gibi \u00e7e\u015fitli ve karma\u015f\u0131k bir veri setinde modelimizin genel yetene\u011fini ve genellenebilirli\u011fini g\u00f6sterir. Bu ba\u015far\u0131, modelin sadece e\u011fitim verilerini ezberlemekle kalmay\u0131p, daha \u00f6nce g\u00f6rmedi\u011fi g\u00f6r\u00fcnt\u00fcler \u00fczerinde de ba\u015far\u0131l\u0131 tahminler yapabildi\u011fini kan\u0131tlar. Bu durum, modelin genellenebilirlik yetene\u011finin bir g\u00f6stergesidir ki bu da yapay zeka sistemlerinin ticari ve pratik uygulamalar i\u00e7in ne kadar uygun oldu\u011funu belirleyen temel fakt\u00f6rlerden biridir. Dolay\u0131s\u0131yla, bu ba\u015far\u0131, modelin ger\u00e7ek d\u00fcnya problemlerini \u00e7\u00f6zme potansiyelini vurgular ve ileriye d\u00f6n\u00fck ara\u015ft\u0131rmalar i\u00e7in sa\u011flam bir temel olu\u015fturur. Ayr\u0131ca, y\u00fcksek do\u011fruluk oranlar\u0131, kullan\u0131c\u0131 g\u00fcvenini art\u0131r\u0131r ve teknolojinin daha geni\u015f kitleler taraf\u0131ndan benimsenmesine katk\u0131da bulunur. Bu nedenle, derin \u00f6\u011frenme toplulu\u011fu, her zaman daha y\u00fcksek performans s\u0131n\u0131rlar\u0131n\u0131 zorlamak i\u00e7in \u00e7al\u0131\u015f\u0131r ve elde edilen her yeni ba\u015far\u0131, bu alandaki ilerlemeyi bir ad\u0131m daha ileriye ta\u015f\u0131r. Bu s\u00fcre\u00e7te, veri setlerinin \u00e7e\u015fitlili\u011fi ve modellerin karma\u015f\u0131kl\u0131\u011f\u0131, elde edilen sonu\u00e7lar\u0131n \u00f6nemini daha da art\u0131rmaktad\u0131r.<\/p>\n
Derin \u00f6\u011frenme alan\u0131na yeni ba\u015flayanlar i\u00e7in, \u00fczerinde \u00e7al\u0131\u015ft\u0131\u011f\u0131m\u0131z veri setini ve kulland\u0131\u011f\u0131m\u0131z mimariyi anlamak olduk\u00e7a \u00f6nemlidir. Bu b\u00f6l\u00fcmde, CIFAR-100 veri setinin \u00f6zelliklerini ve ResNet-50’nin neden bu kadar g\u00fc\u00e7l\u00fc bir model oldu\u011funu temel d\u00fczeyde ele alaca\u011f\u0131z. Bu bilgiler, projemizin temel ta\u015flar\u0131n\u0131 anlaman\u0131za yard\u0131mc\u0131 olacak ve ilerleyen b\u00f6l\u00fcmlerdeki teknik detaylar\u0131 kavraman\u0131z i\u00e7in sa\u011flam bir zemin haz\u0131rlayacakt\u0131r.<\/p>\n
CIFAR-100, Kanadal\u0131 \u0130leri Ara\u015ft\u0131rma Enstit\u00fcs\u00fc (Canadian Institute for Advanced Research) taraf\u0131ndan olu\u015fturulmu\u015f, geni\u015f \u00e7apta kullan\u0131lan bir g\u00f6r\u00fcnt\u00fc s\u0131n\u0131fland\u0131rma veri setidir. Toplamda 100 farkl\u0131 s\u0131n\u0131ftan olu\u015fur ve her bir s\u0131n\u0131f, 500 e\u011fitim g\u00f6r\u00fcnt\u00fcs\u00fc ile 100 test g\u00f6r\u00fcnt\u00fcs\u00fc i\u00e7erir. G\u00f6r\u00fcnt\u00fclerin \u00e7\u00f6z\u00fcn\u00fcrl\u00fc\u011f\u00fc olduk\u00e7a d\u00fc\u015f\u00fckt\u00fcr: 32×32 pikseldir ve her biri 3 renk kanal\u0131na (RGB) sahiptir. Bu d\u00fc\u015f\u00fck \u00e7\u00f6z\u00fcn\u00fcrl\u00fck, modelin nesnelerin ince ayr\u0131nt\u0131lar\u0131n\u0131 \u00f6\u011frenmesini zorla\u015ft\u0131rabilir, bu da %84.35 gibi bir do\u011fruluk oran\u0131na ula\u015fman\u0131n ne kadar de\u011ferli oldu\u011funu g\u00f6sterir. S\u0131n\u0131flar, “bal\u0131k”, “bebek”, “aslan”, “tren” gibi genel kategorilere ayr\u0131lm\u0131\u015f olup, kendi i\u00e7inde de alt kategorilere (\u00f6rne\u011fin, “bal\u0131k” kategorisi i\u00e7inde “akvaryum bal\u0131\u011f\u0131” ve “k\u00f6pekbal\u0131\u011f\u0131”) sahiptir. Bu hiyerar\u015fik yap\u0131, modelin hem genel hem de \u00f6zel \u00f6zellikler \u00f6\u011frenmesini te\u015fvik eder. CIFAR-100, genellikle g\u00f6r\u00fcnt\u00fc s\u0131n\u0131fland\u0131rma algoritmalar\u0131n\u0131n performans\u0131n\u0131 test etmek ve k\u0131yaslamak i\u00e7in bir ba\u015flang\u0131\u00e7 noktas\u0131 olarak kullan\u0131l\u0131r, \u00e7\u00fcnk\u00fc hem yeterince \u00e7e\u015fitlidir hem de hesaplama a\u00e7\u0131s\u0131ndan y\u00f6netilebilir bir boyuttad\u0131r. Bu veri seti, k\u00fc\u00e7\u00fck ama zorlu bir s\u0131n\u0131fland\u0131rma problemi sunarak derin \u00f6\u011frenme modellerinin genelleme yeteneklerini s\u0131namak i\u00e7in ideal bir platform sa\u011flar. Ayr\u0131ca, bu veri setindeki s\u0131n\u0131flar aras\u0131ndaki benzerlikler, modellerin ay\u0131rt edici \u00f6zellikler \u00f6\u011frenmesini daha da kritik hale getirir.<\/p>\n
Residual Networks’\u00fcn (ResNet) 50 katmanl\u0131 versiyonu olan ResNet-50, derin \u00f6\u011frenme d\u00fcnyas\u0131nda bir d\u00f6n\u00fcm noktas\u0131 olarak kabul edilir. Geleneksel evri\u015fimsel sinir a\u011flar\u0131 (CNN), katman say\u0131s\u0131 artt\u0131k\u00e7a performans d\u00fc\u015f\u00fc\u015f\u00fc ya\u015fama e\u011filimindeydi, bu durum “kaybolan gradyan” veya “patlayan gradyan” sorunlar\u0131 olarak bilinir. ResNet, bu sorunu “kal\u0131nt\u0131 ba\u011flant\u0131lar” (residual connections) veya “atlama ba\u011flant\u0131lar\u0131” (skip connections) ad\u0131 verilen yenilik\u00e7i bir yakla\u015f\u0131mla \u00e7\u00f6zm\u00fc\u015ft\u00fcr. Bu ba\u011flant\u0131lar, girdinin do\u011frudan daha sonraki bir katmana eklenmesine izin verir, b\u00f6ylece modelin kimlik e\u015flemesi (identity mapping) \u00f6\u011frenmesi kolayla\u015f\u0131r. Bu sayede, a\u011f daha derin hale gelse bile, performans d\u00fc\u015f\u00fc\u015f\u00fc ya\u015fanmaz, aksine daha karma\u015f\u0131k \u00f6zellikleri \u00f6\u011frenerek daha iyi performans sergiler. ResNet-50, bu atlama ba\u011flant\u0131lar\u0131n\u0131 kullanarak 50 katmanl\u0131 bir yap\u0131da bile gradyan ak\u0131\u015f\u0131n\u0131 optimize eder ve \u00e7ok daha derin a\u011flar\u0131n e\u011fitilmesine olanak tan\u0131r. Her bir residual blo\u011fu, birden fazla evri\u015fim katman\u0131 i\u00e7erir ve bu katmanlar\u0131n \u00e7\u0131kt\u0131lar\u0131, orijinal girdi ile birle\u015ftirilir. Bu mimari, modelin daha verimli bir \u015fekilde \u00f6\u011frenmesini ve daha y\u00fcksek do\u011fruluk oranlar\u0131na ula\u015fmas\u0131n\u0131 sa\u011flar. \u00d6zellikle CIFAR-100 gibi karma\u015f\u0131k veri setlerinde, ResNet-50’nin bu derin \u00f6\u011frenme kapasitesi, elde etti\u011fimiz %84.35 gibi y\u00fcksek bir do\u011fruluk oran\u0131n\u0131n temelini olu\u015fturur. Bu mimarinin ba\u015far\u0131s\u0131, derin \u00f6\u011frenme alan\u0131ndaki bir\u00e7ok sonraki modelin geli\u015ftirilmesinde de ilham kayna\u011f\u0131 olmu\u015ftur.<\/p>\n
\u015eimdiye kadar veri setimizi ve model mimarimizi anlad\u0131k. Art\u0131k teoriden prati\u011fe ge\u00e7me zaman\u0131! Bu b\u00f6l\u00fcmde, bir ResNet-50 modelini CIFAR-100 veri seti \u00fczerinde nas\u0131l e\u011fitece\u011fimizi ad\u0131m ad\u0131m g\u00f6sterece\u011fiz. Bu s\u00fcre\u00e7, veri y\u00fckleme ve \u00f6n i\u015fleme, model tan\u0131mlama, e\u011fitim d\u00f6ng\u00fcs\u00fc olu\u015fturma ve performans de\u011ferlendirmeyi i\u00e7erir. Ba\u015flang\u0131\u00e7ta biraz karma\u015f\u0131k g\u00f6r\u00fcnse de, her ad\u0131m\u0131 detayl\u0131 bir \u015fekilde a\u00e7\u0131klayarak konuyu s\u0131f\u0131rdan \u00f6\u011frenmenize yard\u0131mc\u0131 olaca\u011f\u0131z.<\/p>\n
Derin \u00f6\u011frenme projelerinde verinin haz\u0131rlanmas\u0131, modelin ba\u015far\u0131s\u0131 i\u00e7in kritik bir ad\u0131md\u0131r. CIFAR-100 gibi k\u00fc\u00e7\u00fck \u00e7\u00f6z\u00fcn\u00fcrl\u00fckl\u00fc bir veri setinde bile, etkili veri y\u00fckleme ve \u00f6n i\u015fleme teknikleri kullanmak, modelin genellenebilirli\u011fini ve performans\u0131n\u0131 \u00f6nemli \u00f6l\u00e7\u00fcde art\u0131rabilir. \u0130lk olarak, PyTorch’un <\/code><\/p>\n Yukar\u0131daki kod blo\u011funda, Verilerimizi haz\u0131rlad\u0131ktan sonra, s\u0131ra ResNet-50 modelini tan\u0131mlamaya ve e\u011fitmeye geliyor. PyTorch'un <\/code><\/p>\n Bu kod blo\u011funda, modeli bir GPU (e\u011fer mevcutsa) \u00fczerinde \u00e7al\u0131\u015facak \u015fekilde ayarlad\u0131k. Modelin Modelimizi temel d\u00fczeyde e\u011fitmeyi ba\u015fard\u0131k, ancak %84.35 gibi y\u00fcksek bir do\u011fruluk oran\u0131na ula\u015fmak i\u00e7in baz\u0131 ileri d\u00fczey tekniklere ba\u015fvurmam\u0131z gerekecektir. Bu teknikler, modelin \u00f6\u011frenme s\u00fcrecini optimize etmeye, a\u015f\u0131r\u0131 \u00f6\u011frenmeyi engellemeye ve genelleme yetene\u011fini art\u0131rmaya odaklan\u0131r. \u0130yi bir ba\u015flang\u0131\u00e7 noktas\u0131, PyTorch gibi modern derin \u00f6\u011frenme k\u00fct\u00fcphanelerinin sa\u011flad\u0131\u011f\u0131 ara\u00e7lar\u0131 etkin bir \u015fekilde kullanmakt\u0131r. Hiperparametre ayarlamas\u0131, \u00f6\u011frenme oran\u0131 zamanlay\u0131c\u0131lar\u0131 ve veri art\u0131rma stratejileri gibi konular, bu b\u00f6l\u00fcmde detayl\u0131ca ele al\u0131nacakt\u0131r. Bu ileri d\u00fczey tekniklerin do\u011fru kombinasyonu, model performans\u0131n\u0131 g\u00f6zle g\u00f6r\u00fcl\u00fcr \u015fekilde art\u0131rabilir ve hedeflenen do\u011fruluk oranlar\u0131na ula\u015fmay\u0131 m\u00fcmk\u00fcn k\u0131lar.<\/p>\n Hiperparametreler, derin \u00f6\u011frenme modelinin e\u011fitim s\u00fcrecini do\u011frudan etkileyen ve genellikle deneyerek bulunan parametrelerdir. \u00d6\u011frenme oran\u0131 (learning rate), toplu i\u015f boyutu (batch size), optimize edici se\u00e7imi (SGD, Adam, RMSprop vb.) ve a\u011f\u0131rl\u0131k \u00e7\u00fcr\u00fcmesi (weight decay) gibi hiperparametreler, modelin yak\u0131nsama h\u0131z\u0131n\u0131 ve nihai performans\u0131n\u0131 b\u00fcy\u00fck \u00f6l\u00e7\u00fcde belirler. %84.35 gibi y\u00fcksek bir do\u011fruluk oran\u0131na ula\u015fmada, \u00f6\u011frenme oran\u0131n\u0131n do\u011fru ayarlanmas\u0131 kritik \u00f6neme sahiptir. Sabit bir \u00f6\u011frenme oran\u0131 yerine, \u00f6\u011frenme oran\u0131 zamanlay\u0131c\u0131lar\u0131 (learning rate schedulers) kullanarak e\u011fitim ilerledik\u00e7e \u00f6\u011frenme oran\u0131n\u0131 dinamik olarak ayarlamak \u00e7ok daha etkilidir. \u00d6rne\u011fin, Veri art\u0131rma (data augmentation), derin \u00f6\u011frenme modellerinin genelleme yetene\u011fini art\u0131rmak i\u00e7in vazge\u00e7ilmez bir tekniktir. \u00d6zellikle CIFAR-100 gibi s\u0131n\u0131rl\u0131 veri setlerinde, mevcut g\u00f6r\u00fcnt\u00fcleri rastgele d\u00f6n\u00fc\u015f\u00fcmlerle \u00e7o\u011faltarak e\u011fitim setimizin boyutunu ve \u00e7e\u015fitlili\u011fini art\u0131r\u0131r\u0131z. Bu, modelin farkl\u0131 perspektiflerden, ayd\u0131nlatma ko\u015fullar\u0131ndan ve pozisyonlardan nesneleri tan\u0131mas\u0131n\u0131 \u00f6\u011frenmesine yard\u0131mc\u0131 olur ve a\u015f\u0131r\u0131 \u00f6\u011frenmeyi etkili bir \u015fekilde engeller. Daha \u00f6nce bahsetti\u011fimiz rastgele k\u0131rpma ve yatay \u00e7evirme gibi basit tekniklerin yan\u0131 s\u0131ra, daha geli\u015fmi\u015f art\u0131rma stratejileri de mevcuttur. \u00d6rne\u011fin, CutMix veya Mixup gibi teknikler, birden fazla g\u00f6r\u00fcnt\u00fcy\u00fc ve bunlar\u0131n etiketlerini kar\u0131\u015ft\u0131rarak yeni e\u011fitim \u00f6rnekleri olu\u015fturur. Bu, modelin s\u0131n\u0131r kararlar\u0131n\u0131 daha iyi \u00f6\u011frenmesini sa\u011flar ve daha sa\u011flam bir temsiliyet geli\u015ftirmesine yard\u0131mc\u0131 olur. Normalizasyon ise, e\u011fitim verilerini standart bir \u00f6l\u00e7e\u011fe getirerek modelin daha h\u0131zl\u0131 ve kararl\u0131 bir \u015fekilde yak\u0131nsamas\u0131n\u0131 sa\u011flar. Genellikle, her bir renk kanal\u0131n\u0131n ortalamas\u0131 ve standart sapmas\u0131 kullan\u0131larak piksel de\u011ferleri normalize edilir. Bu i\u015flem, modelin gradyanlar\u0131n\u0131n daha dengeli olmas\u0131n\u0131 sa\u011flar ve e\u011fitim s\u0131ras\u0131nda dalgalanmalar\u0131 azalt\u0131r. Bu tekniklerin do\u011fru ve kapsaml\u0131 bir \u015fekilde uygulanmas\u0131, modelin %84.35 gibi y\u00fcksek bir do\u011fruluk oran\u0131na ula\u015fmas\u0131nda temel bir fakt\u00f6rd\u00fcr. Bu nedenle, herhangi bir derin \u00f6\u011frenme projesinde veri art\u0131rma ve normalizasyon ad\u0131mlar\u0131na \u00f6zel bir \u00f6nem vermek gereklidir.<\/p>\n G\u00f6r\u00fcnt\u00fc s\u0131n\u0131fland\u0131rmada elde edilen %84.35 gibi y\u00fcksek do\u011fruluk oranlar\u0131, sadece akademik bir ba\u015far\u0131dan ibaret de\u011fildir; ayn\u0131 zamanda g\u00fcnl\u00fck hayat\u0131m\u0131zda ve \u00e7e\u015fitli end\u00fcstrilerde somut faydalar sa\u011flayacak pratik uygulamalar\u0131n kap\u0131s\u0131n\u0131 aralar. Bu teknolojinin potansiyeli, otonom ara\u00e7lardan t\u0131bbi tan\u0131ya, perakendeden g\u00fcvenli\u011fe kadar bir\u00e7ok alanda devrim yaratma g\u00fcc\u00fcne sahiptir. Bu b\u00f6l\u00fcmde, g\u00f6r\u00fcnt\u00fc s\u0131n\u0131fland\u0131rma ba\u015far\u0131s\u0131n\u0131n ger\u00e7ek d\u00fcnya senaryolar\u0131ndaki etkilerini ve bir vaka analizini inceleyece\u011fiz.<\/p>\n Otonom ara\u00e7lar, g\u00f6r\u00fcnt\u00fc s\u0131n\u0131fland\u0131rma teknolojisinin en dikkat \u00e7ekici ve kritik uygulama alanlar\u0131ndan biridir. Bir arac\u0131n \u00e7evresini do\u011fru bir \u015fekilde alg\u0131layabilmesi, yol i\u015faretlerini, di\u011fer ara\u00e7lar\u0131, yayalar\u0131 ve potansiyel engelleri hatas\u0131z tan\u0131mas\u0131, g\u00fcvenli s\u00fcr\u00fc\u015f i\u00e7in temel gerekliliklerdir. %84.35 gibi y\u00fcksek bir do\u011fruluk oran\u0131, bu t\u00fcr sistemlerde karar verme mekanizmas\u0131n\u0131n g\u00fcvenilirli\u011fini art\u0131r\u0131r. \u00d6rne\u011fin, ResNet-50 tabanl\u0131 bir model, trafik \u0131\u015f\u0131klar\u0131n\u0131n rengini, yaya ge\u00e7itlerini veya hayvanlar\u0131 h\u0131zl\u0131 ve do\u011fru bir \u015fekilde s\u0131n\u0131fland\u0131rabilir. Bir arac\u0131n ani bir engelle kar\u015f\u0131la\u015ft\u0131\u011f\u0131nda fren yap\u0131p yapmayaca\u011f\u0131na karar vermesi i\u00e7in, bu engelin ne oldu\u011funu (\u00f6rne\u011fin, bir \u00e7\u00f6p kutusu mu yoksa bir \u00e7ocuk mu) do\u011fru s\u0131n\u0131fland\u0131rmas\u0131 hayati \u00f6nem ta\u015f\u0131r. Y\u00fcksek do\u011fruluk, yanl\u0131\u015f pozitif ve yanl\u0131\u015f negatif hatalar\u0131n\u0131 azalt\u0131r, bu da kazalar\u0131n \u00f6nlenmesine ve yolcular\u0131n g\u00fcvenli\u011finin sa\u011flanmas\u0131na do\u011frudan katk\u0131da bulunur. Ayr\u0131ca, bu teknoloji, arac\u0131n \u015ferit takibi, park etme asistan\u0131 ve \u00e7evresel fark\u0131ndal\u0131k gibi di\u011fer geli\u015fmi\u015f s\u00fcr\u00fc\u015f destek sistemlerinde de kullan\u0131labilir. \u00d6rne\u011fin, arac\u0131n \u00e7evresindeki nesnelerin do\u011fru bir \u015fekilde kategorize edilmesi, karma\u015f\u0131k \u015fehir i\u00e7i s\u00fcr\u00fc\u015f senaryolar\u0131nda daha ak\u0131ll\u0131 ve proaktif kararlar almas\u0131n\u0131 sa\u011flar. Bu sayede, otonom ara\u00e7 teknolojisinin gelece\u011fi, g\u00f6r\u00fcnt\u00fc s\u0131n\u0131fland\u0131rma algoritmalar\u0131n\u0131n performans\u0131na ve g\u00fcvenilirli\u011fine b\u00fcy\u00fck \u00f6l\u00e7\u00fcde ba\u011fl\u0131d\u0131r. %84.35 gibi bir ba\u015far\u0131, bu hedefe ula\u015fmak i\u00e7in at\u0131lm\u0131\u015f \u00f6nemli bir ad\u0131md\u0131r.<\/p>\n G\u00fcn\u00fcm\u00fczde web i\u00e7eri\u011finin b\u00fcy\u00fck bir k\u0131sm\u0131 mobil cihazlar \u00fczerinden t\u00fcketilmektedir. Bu nedenle, derin \u00f6\u011frenme makaleleri veya model \u00e7\u0131kt\u0131lar\u0131n\u0131 i\u00e7eren web sayfalar\u0131n\u0131n da mobil uyumlu olmas\u0131 zorunluluktur. HTML ve CSS kullanarak responsive (duyarl\u0131) tasar\u0131mlar olu\u015fturmak, i\u00e7eri\u011fin ekran boyutuna g\u00f6re otomatik olarak uyum sa\u011flamas\u0131n\u0131 sa\u011flar. Bu, kullan\u0131c\u0131 deneyimini \u00f6nemli \u00f6l\u00e7\u00fcde iyile\u015ftirir ve makalenizin daha geni\u015f bir kitleye ula\u015fmas\u0131na olanak tan\u0131r. Temel olarak, meta viewport etiketi ve CSS media query'ler kullan\u0131larak mobil uyumluluk sa\u011flan\u0131r. Meta viewport, taray\u0131c\u0131ya sayfan\u0131n geni\u015fli\u011fini cihaz\u0131n geni\u015fli\u011fine g\u00f6re ayarlamas\u0131n\u0131 s\u00f6ylerken, media query'ler belirli ekran boyutlar\u0131na g\u00f6re farkl\u0131 stiller uygulaman\u0131za olanak tan\u0131r.<\/p>\n \u00d6rne\u011fin, bir kod blo\u011funun veya tablonun k\u00fc\u00e7\u00fck ekranlarda yatay olarak kayd\u0131r\u0131labilir olmas\u0131n\u0131 sa\u011flamak i\u00e7in a\u015fa\u011f\u0131daki CSS kodunu kullanabilirsiniz:<\/p>\ntorchvision<\/code> k\u00fct\u00fcphanesini kullanarak veri setini indirip y\u00fcklememiz gerekiyor. Ard\u0131ndan, veri art\u0131rma (data augmentation) tekniklerini uygulayarak e\u011fitim setimizi \u00e7e\u015fitlendirmeliyiz. Bu teknikler, modelin daha farkl\u0131 g\u00f6r\u00fcnt\u00fc varyasyonlar\u0131na maruz kalmas\u0131n\u0131 sa\u011flayarak a\u015f\u0131r\u0131 \u00f6\u011frenmeyi (overfitting) azalt\u0131r. CIFAR-100 i\u00e7in yayg\u0131n olarak kullan\u0131lan art\u0131rma teknikleri aras\u0131nda rastgele k\u0131rpma (random cropping), yatay \u00e7evirme (horizontal flipping) ve normalizasyon bulunur. Normalizasyon, g\u00f6r\u00fcnt\u00fc piksel de\u011ferlerini belirli bir aral\u0131\u011fa (genellikle 0-1) \u00f6l\u00e7eklendirerek veya ortalama ve standart sapma kullanarak standartla\u015ft\u0131rarak e\u011fitim s\u00fcrecini stabilize eder. \u0130\u015fte PyTorch ile veri y\u00fckleme ve \u00f6n i\u015fleme i\u00e7in bir \u00f6rnek:<\/p>\n\nimport torch\nimport torchvision\nimport torchvision.transforms as transforms\n\n# Veri art\u0131rma ve normalizasyon i\u00e7in d\u00f6n\u00fc\u015f\u00fcmler\ntransform_train = transforms.Compose([\n transforms.RandomCrop(32, padding=4),\n transforms.RandomHorizontalFlip(),\n transforms.ToTensor(),\n transforms.Normalize((0.4914, 0.4822, 0.4465), (0.2023, 0.1994, 0.2010)),\n])\n\ntransform_test = transforms.Compose([\n transforms.ToTensor(),\n transforms.Normalize((0.4914, 0.4822, 0.4465), (0.2023, 0.1994, 0.2010)),\n])\n\n# CIFAR-100 veri setini y\u00fckleme\ntrainset = torchvision.datasets.CIFAR100(root='.\/data', train=True, download=True, transform=transform_train)\ntrainloader = torch.utils.data.DataLoader(trainset, batch_size=128, shuffle=True, num_workers=2)\n\ntestset = torchvision.datasets.CIFAR100(root='.\/data', train=False, download=True, transform=transform_test)\ntestloader = torch.utils.data.DataLoader(testset, batch_size=100, shuffle=False, num_workers=2)\n\nclasses = trainset.classes # S\u0131n\u0131f isimleri\n <\/pre>\ntransforms.Compose<\/code> ile birden fazla d\u00f6n\u00fc\u015f\u00fcm\u00fc bir araya getirdik. E\u011fitim verileri i\u00e7in rastgele k\u0131rpma ve \u00e7evirme uygularken, test verileri i\u00e7in sadece normalizasyon uygulad\u0131k. Normalizasyon parametreleri (ortalama ve standart sapma), genellikle CIFAR-100 veri setinin genel istatistiklerinden t\u00fcretilir ve modelin daha h\u0131zl\u0131 ve kararl\u0131 bir \u015fekilde yak\u0131nsamas\u0131na yard\u0131mc\u0131 olur. Ayr\u0131ca, DataLoader<\/code> kullanarak verileri k\u00fc\u00e7\u00fck gruplar (batch) halinde y\u00fckleyerek e\u011fitim s\u00fcrecini optimize ettik. Bu yakla\u015f\u0131m, sadece e\u011fitim h\u0131z\u0131n\u0131 art\u0131rmakla kalmaz, ayn\u0131 zamanda modelin farkl\u0131 \u00f6rneklerden \u00f6\u011frenerek genelleme yetene\u011fini de g\u00fc\u00e7lendirir.<\/p>\nResNet-50 Modelinin Uygulanmas\u0131 ve E\u011fitimi Nas\u0131l Yap\u0131l\u0131r?<\/h3>\n
torchvision.models<\/code> mod\u00fcl\u00fc, \u00f6nceden e\u011fitilmi\u015f ResNet modellerini kolayca y\u00fcklememize olanak tan\u0131r. Ancak, CIFAR-100 veri setindeki s\u0131n\u0131f say\u0131s\u0131 (100) ImageNet'ten (1000) farkl\u0131 oldu\u011fu i\u00e7in, modelin son \u00e7\u0131k\u0131\u015f katman\u0131n\u0131 de\u011fi\u015ftirmemiz gerekecektir. Transfer \u00f6\u011frenme tekni\u011fiyle, ImageNet \u00fczerinde \u00f6nceden e\u011fitilmi\u015f bir ResNet-50 modelini al\u0131p, son katman\u0131n\u0131 kendi s\u0131n\u0131f say\u0131m\u0131za g\u00f6re yeniden yap\u0131land\u0131rabiliriz. Bu, s\u0131f\u0131rdan bir model e\u011fitmeye k\u0131yasla \u00e7ok daha h\u0131zl\u0131 ve verimli sonu\u00e7lar verir. E\u011fitim s\u00fcreci boyunca, bir kay\u0131p fonksiyonu (loss function), bir optimizasyon algoritmas\u0131 (optimizer) ve bir \u00f6\u011frenme oran\u0131 zamanlay\u0131c\u0131s\u0131 (learning rate scheduler) tan\u0131mlamam\u0131z gerekir. Kay\u0131p fonksiyonu olarak genellikle \u00e7apraz entropi (Cross Entropy Loss) kullan\u0131l\u0131r. Optimizasyon i\u00e7in Adam veya SGD (Stochastic Gradient Descent) gibi algoritmalar tercih edilebilir. \u00d6\u011frenme oran\u0131 zamanlay\u0131c\u0131s\u0131 ise, e\u011fitim ilerledik\u00e7e \u00f6\u011frenme oran\u0131n\u0131 dinamik olarak ayarlayarak modelin daha iyi yak\u0131nsamas\u0131n\u0131 sa\u011flar. \u0130\u015fte temel model tan\u0131mlama ve e\u011fitim d\u00f6ng\u00fcs\u00fc:<\/p>\n\nimport torch.nn as nn\nimport torch.optim as optim\nfrom torchvision.models import resnet50\n\n# Cihaz\u0131 belirleme (GPU varsa kullan, yoksa CPU)\ndevice = 'cuda' if torch.cuda.is_available() else 'cpu'\n\n# ResNet-50 modelini y\u00fckleme (\u00f6nceden e\u011fitilmi\u015f a\u011f\u0131rl\u0131klarla)\nmodel = resnet50(pretrained=True)\n# Son katman\u0131 CIFAR-100 i\u00e7in yeniden tan\u0131mlama\nnum_ftrs = model.fc.in_features\nmodel.fc = nn.Linear(num_ftrs, 100) # CIFAR-100'de 100 s\u0131n\u0131f var\nmodel = model.to(device)\n\n# Kay\u0131p fonksiyonu ve optimize edici\ncriterion = nn.CrossEntropyLoss()\noptimizer = optim.SGD(model.parameters(), lr=0.1, momentum=0.9, weight_decay=5e-4)\n\n# \u00d6\u011frenme oran\u0131 zamanlay\u0131c\u0131s\u0131\nscheduler = torch.optim.lr_scheduler.CosineAnnealingLR(optimizer, T_max=200)\n\n# E\u011fitim fonksiyonu\ndef train(epoch):\n print(f'\\nEpoch: {epoch}')\n model.train()\n train_loss = 0\n correct = 0\n total = 0\n for batch_idx, (inputs, targets) in enumerate(trainloader):\n inputs, targets = inputs.to(device), targets.to(device)\n optimizer.zero_grad()\n outputs = model(inputs)\n loss = criterion(outputs, targets)\n loss.backward()\n optimizer.step()\n\n train_loss += loss.item()\n _, predicted = outputs.max(1)\n total += targets.size(0)\n correct += predicted.eq(targets).sum().item()\n\n print(f'Train Loss: {train_loss\/(batch_idx+1):.3f} | Acc: {100.*correct\/total:.3f}%')\n\n# Test fonksiyonu\ndef test(epoch):\n global best_acc\n model.eval()\n test_loss = 0\n correct = 0\n total = 0\n with torch.no_grad():\n for batch_idx, (inputs, targets) in enumerate(testloader):\n inputs, targets = inputs.to(device), targets.to(device)\n outputs = model(inputs)\n loss = criterion(outputs, targets)\n\n test_loss += loss.item()\n _, predicted = outputs.max(1)\n total += targets.size(0)\n correct += predicted.eq(targets).sum().item()\n\n acc = 100.*correct\/total\n print(f'Test Loss: {test_loss\/(batch_idx+1):.3f} | Acc: {acc:.3f}%')\n\n # En iyi modeli kaydetme\n if acc > best_acc:\n print('Saving model...')\n state = {\n 'model': model.state_dict(),\n 'acc': acc,\n 'epoch': epoch,\n }\n torch.save(state, '.\/checkpoint\/ckpt.pth')\n best_acc = acc\n return acc\n\nbest_acc = 0\nfor epoch in range(0, 200): # \u00d6rnek olarak 200 epoch\n train(epoch)\n current_acc = test(epoch)\n scheduler.step() # \u00d6\u011frenme oran\u0131n\u0131 g\u00fcncelle\n <\/pre>\nfc<\/code> (fully connected) katman\u0131n\u0131 CIFAR-100 s\u0131n\u0131f say\u0131s\u0131na g\u00f6re de\u011fi\u015ftirdik. E\u011fitim fonksiyonu (train<\/code>) her epokta veri y\u00fckleyici (trainloader<\/code>) \u00fczerinden iterasyon yapar, gradyanlar\u0131 s\u0131f\u0131rlar, ileri yay\u0131l\u0131m\u0131 ger\u00e7ekle\u015ftirir, kayb\u0131 hesaplar, geri yay\u0131l\u0131m\u0131 yapar ve optimize ediciyi g\u00fcnceller. Test fonksiyonu (test<\/code>) ise modelin test veri seti \u00fczerindeki performans\u0131n\u0131 de\u011ferlendirir ve en iyi do\u011fruluk oran\u0131na sahip modeli kaydeder. CosineAnnealingLR<\/code> zamanlay\u0131c\u0131s\u0131, \u00f6\u011frenme oran\u0131n\u0131 belirli bir d\u00f6ng\u00fcde azalt\u0131p art\u0131rarak daha iyi bir yak\u0131nsama sa\u011flar. Bu detayl\u0131 e\u011fitim d\u00f6ng\u00fcs\u00fc, %84.35 gibi y\u00fcksek bir do\u011fruluk oran\u0131na ula\u015fmam\u0131zda kilit rol oynam\u0131\u015ft\u0131r.<\/p>\nCIFAR-100'de %84.35 Do\u011fruluk Oran\u0131na Ula\u015fmak \u0130\u00e7in Hangi \u0130leri Teknikleri Kullanmal\u0131y\u0131z?<\/h2>\n
Hiperparametre Ayarlamas\u0131 ve \u00d6\u011frenme Oran\u0131 Stratejileri<\/h3>\n
CosineAnnealingLR<\/code> veya ReduceLROnPlateau<\/code> gibi zamanlay\u0131c\u0131lar, modelin e\u011fitim s\u00fcrecinin farkl\u0131 a\u015famalar\u0131nda uygun \u00f6\u011frenme oran\u0131n\u0131 bulmas\u0131na yard\u0131mc\u0131 olur. Ba\u015flang\u0131\u00e7ta y\u00fcksek bir \u00f6\u011frenme oran\u0131yla h\u0131zl\u0131 yak\u0131nsama sa\u011flan\u0131rken, sonlara do\u011fru d\u00fc\u015f\u00fcr\u00fclen \u00f6\u011frenme oran\u0131 daha ince ayar yap\u0131lmas\u0131na ve daha iyi bir yerel minimuma ula\u015f\u0131lmas\u0131na olanak tan\u0131r. Ayr\u0131ca, a\u011f\u0131rl\u0131k \u00e7\u00fcr\u00fcmesi (weight_decay<\/code>), modeldeki a\u011f\u0131rl\u0131klar\u0131n \u00e7ok b\u00fcy\u00fcmesini engelleyerek a\u015f\u0131r\u0131 \u00f6\u011frenmeyi azaltan bir t\u00fcr L2 reg\u00fclarizasyonudur. Bu k\u00fc\u00e7\u00fck ama etkili ayarlar, modelin performans\u0131n\u0131 istikrarl\u0131 bir \u015fekilde art\u0131r\u0131r. Modelin e\u011fitim s\u00fcrecini izlemek ve farkl\u0131 hiperparametre kombinasyonlar\u0131n\u0131 denemek i\u00e7in Grid Search veya Random Search gibi y\u00f6ntemler kullan\u0131labilir, ancak deneyimli kullan\u0131c\u0131lar genellikle daha sezgisel yakla\u015f\u0131mlar\u0131 tercih ederler. Bu s\u00fcre\u00e7te, her de\u011fi\u015fiklikten sonra modelin test veri seti \u00fczerindeki performans\u0131n\u0131 g\u00f6zlemlemek ve en iyi kombinasyonu bulmak \u00f6nemlidir.<\/p>\nVeri Art\u0131rma ve Normalizasyonun Rol\u00fc<\/h3>\n
G\u00f6r\u00fcnt\u00fc S\u0131n\u0131fland\u0131rma Ba\u015far\u0131s\u0131 G\u00fcnl\u00fck Hayat\u0131 Nas\u0131l Etkiler?<\/h2>\n
Otonom Ara\u00e7larda G\u00fcvenlik ve Do\u011fruluk: Bir Vaka \u0130ncelemesi<\/h3>\n
\n\n
\n \nUygulama Alan\u0131<\/th>\n \u00d6nemi<\/th>\n ResNet-50 Etkisi<\/th>\n<\/tr>\n<\/thead>\n \n T\u0131bbi Te\u015fhis<\/td>\n Hastal\u0131klar\u0131n erken ve do\u011fru tespiti<\/td>\n G\u00f6r\u00fcnt\u00fc analizinde do\u011fruluk art\u0131\u015f\u0131, yanl\u0131\u015f te\u015fhis riskini azaltma<\/td>\n<\/tr>\n \n Perakende<\/td>\n Stok y\u00f6netimi, m\u00fc\u015fteri analizi<\/td>\n \u00dcr\u00fcn tan\u0131ma, raf denetimi, m\u00fc\u015fteri davran\u0131\u015f analizi<\/td>\n<\/tr>\n \n G\u00fcvenlik Sistemleri<\/td>\n \u0130hlallerin tespiti, y\u00fcz tan\u0131ma<\/td>\n Anormal durum tespiti, yetkisiz giri\u015fleri engelleme<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n Derin \u00d6\u011frenme Modelleri \u0130\u00e7in Mobil Uyumlu HTML Nas\u0131l Olu\u015fturulur?<\/h2>\n
\n