Makine \u00f6\u011frenimi modellerinin ba\u015far\u0131s\u0131, b\u00fcy\u00fck \u00f6l\u00e7\u00fcde e\u011fitim verilerinin kalitesine ve \u00e7e\u015fitlili\u011fine ba\u011fl\u0131d\u0131r. Ancak ger\u00e7ek d\u00fcnya senaryolar\u0131nda, veri k\u00fcmeleri genellikle dengesizdir ve modelin \u00f6\u011frenmesini zorla\u015ft\u0131ran “kolay” \u00f6rneklerle doludur. \u0130\u015fte bu noktada Hard Negative Mining (Zorlu Negatif \u00d6rnek Madencili\u011fi) devreye girer. Bu teknik, modelin yanl\u0131\u015f s\u0131n\u0131fland\u0131rma e\u011filiminde oldu\u011fu veya ay\u0131rt etmekte zorland\u0131\u011f\u0131 negatif \u00f6rnekleri belirleyerek, e\u011fitim s\u00fcrecini daha verimli hale getirmeyi ve modelin genelleme yetene\u011fini art\u0131rmay\u0131 hedefler. \u00d6zellikle nesne alg\u0131lama, y\u00fcz tan\u0131ma ve benzerlik \u00f6\u011frenimi gibi alanlarda kritik bir rol oynayan Hard Negative Mining, daha sa\u011flam ve do\u011fru modeller geli\u015ftirmemize olanak tan\u0131r.<\/p>\n
Hard Negative Mining, makine \u00f6\u011freniminde, \u00f6zellikle s\u0131n\u0131fland\u0131rma ve nesne alg\u0131lama g\u00f6revlerinde, modelin performans\u0131n\u0131 art\u0131rmak i\u00e7in kullan\u0131lan bir veri se\u00e7imi stratejisidir. Bu strateji, e\u011fitim veri k\u00fcmesindeki “zorlu” negatif \u00f6rnekleri (hard negatives) belirlemeye ve bunlar\u0131 modelin e\u011fitiminde daha fazla kullanmaya odaklan\u0131r. Ama\u00e7, modelin ay\u0131rt edici \u00f6zellikler \u00f6\u011frenmesini sa\u011flamak ve yanl\u0131\u015f pozitifleri azaltmakt\u0131r.<\/p>\n
Bir\u00e7ok ger\u00e7ek d\u00fcnya veri k\u00fcmesinde, negatif \u00f6rneklerin say\u0131s\u0131 pozitif \u00f6rneklere g\u00f6re \u00e7ok daha fazlad\u0131r (s\u0131n\u0131f dengesizli\u011fi). Bu durum, modelin e\u011fitim s\u0131ras\u0131nda \u00e7o\u011funluk s\u0131n\u0131f\u0131na (negatifler) odaklanmas\u0131na ve az\u0131nl\u0131k s\u0131n\u0131f\u0131n\u0131 (pozitifler) g\u00f6z ard\u0131 etmesine neden olabilir. Sonu\u00e7 olarak, model \u00e7ok say\u0131da yanl\u0131\u015f pozitif \u00fcretir ve genelleme yetene\u011fi zay\u0131flar. Hard Negative Mining, bu dengesizli\u011fi d\u00fczelterek ve modelin zorlu \u00f6rneklerden \u00f6\u011frenmesini sa\u011flayarak, daha dengeli ve y\u00fcksek performansl\u0131 modeller olu\u015fturmaya yard\u0131mc\u0131 olur.<\/p>\n
Hard Negative Mining kavram\u0131, \u00f6zellikle nesne alg\u0131lama alan\u0131ndaki derin \u00f6\u011frenme modellerinin y\u00fckseli\u015fiyle pop\u00fclerlik kazanm\u0131\u015ft\u0131r. Viola-Jones y\u00fcz alg\u0131lama algoritmas\u0131 gibi erken d\u00f6nem algoritmalar, bootstrapping ad\u0131 verilen bir teknikle zorlu negatif \u00f6rnekleri belirleyerek model performans\u0131n\u0131 art\u0131rm\u0131\u015ft\u0131r. Daha sonra R-CNN, Fast R-CNN ve Faster R-CNN gibi derin \u00f6\u011frenme tabanl\u0131 nesne alg\u0131lama mimarileri, bu prensibi kendi b\u00fcnyelerinde farkl\u0131 mekanizmalarla uygulam\u0131\u015ft\u0131r. Son y\u0131llarda ise OHEM (Online Hard Example Mining) ve Triplet Loss gibi y\u00f6ntemler, Hard Negative Mining’i daha dinamik ve etkili hale getirmi\u015ftir.<\/p>\n
Hard Negative Mining’in temel amac\u0131, modelin \u00f6\u011frenme s\u00fcrecini optimize ederek daha robust ve do\u011fru tahminler yapmas\u0131n\u0131 sa\u011flamakt\u0131r. Bu, belirli prensipler ve hedefler do\u011frultusunda ger\u00e7ekle\u015ftirilir.<\/p>\n
Hard Negative Mining, modelin mevcut haliyle hangi negatif \u00f6rnekleri yanl\u0131\u015f s\u0131n\u0131fland\u0131rma e\u011filiminde oldu\u011funu veya pozitif olarak alg\u0131lad\u0131\u011f\u0131n\u0131 tespit eder. Bu “hatal\u0131” \u00f6rnekler, modelin \u00f6\u011frenme s\u00fcrecindeki zay\u0131f noktalar\u0131n\u0131 do\u011frudan i\u015faret eder.<\/p>\n
Se\u00e7ilen zorlu negatif \u00f6rnekler, e\u011fitim veri k\u00fcmesine eklenir veya mevcut veri k\u00fcmesindeki a\u011f\u0131rl\u0131klar\u0131 art\u0131r\u0131l\u0131r. Bu, modelin bu zorlu \u00f6rnekler \u00fczerinde daha fazla zaman harcamas\u0131n\u0131 ve onlardan \u00f6\u011frenmesini sa\u011flar, b\u00f6ylece veri k\u00fcmesinin “bilgi yo\u011funlu\u011funu” art\u0131r\u0131r.<\/p>\n
Model, daha \u00f6nce zorland\u0131\u011f\u0131 \u00f6rnekleri do\u011fru bir \u015fekilde s\u0131n\u0131fland\u0131rmay\u0131 \u00f6\u011frendi\u011finde, benzer ancak daha \u00f6nce g\u00f6rmedi\u011fi yeni \u00f6rnekler \u00fczerinde de daha iyi performans g\u00f6sterme e\u011filiminde olur. Bu da modelin genelleme yetene\u011fini \u00f6nemli \u00f6l\u00e7\u00fcde art\u0131r\u0131r.<\/p>\n
\u00d6zellikle nesne alg\u0131lama gibi g\u00f6revlerde, modelin ilgilenilen nesnenin olmad\u0131\u011f\u0131 yerlerde bile bir nesne alg\u0131lamas\u0131 (yanl\u0131\u015f pozitif) yayg\u0131n bir sorundur. Hard Negative Mining, modelin negatif \u00f6rnekler ile pozitif \u00f6rnekler aras\u0131ndaki fark\u0131 daha iyi anlamas\u0131n\u0131 sa\u011flayarak, yanl\u0131\u015f pozitif oran\u0131n\u0131 d\u00fc\u015f\u00fcrmeye yard\u0131mc\u0131 olur.<\/p>\n
Hard Negative Mining, uygulama \u015fekline g\u00f6re \u00e7evrimd\u0131\u015f\u0131 (offline) ve \u00e7evrimi\u00e7i (online) olmak \u00fczere iki ana kategoriye ayr\u0131labilir. Her birinin kendine \u00f6zg\u00fc avantajlar\u0131 ve dezavantajlar\u0131 vard\u0131r.<\/p>\n
\u00c7evrimd\u0131\u015f\u0131 y\u00f6ntemlerde, model belirli bir a\u015famaya kadar e\u011fitilir, ard\u0131ndan t\u00fcm veri k\u00fcmesi \u00fczerinde tahminler yap\u0131l\u0131r. Modelin yanl\u0131\u015f s\u0131n\u0131fland\u0131rd\u0131\u011f\u0131 veya y\u00fcksek g\u00fcvenle pozitif olarak i\u015faretledi\u011fi negatif \u00f6rnekler belirlenir. Bu “hard negative” \u00f6rnekler, orijinal e\u011fitim veri k\u00fcmesine eklenir ve model bu yeni, zenginle\u015ftirilmi\u015f veri k\u00fcmesi \u00fczerinde yeniden e\u011fitilir. Bu s\u00fcre\u00e7 birka\u00e7 kez tekrarlanabilir (bootstrapping).<\/p>\n
\u00d6rnek (Konsept):<\/strong><\/p>\n <\/code><\/p>\n Bu y\u00f6ntem, hesaplama a\u00e7\u0131s\u0131ndan maliyetli olabilir \u00e7\u00fcnk\u00fc her ad\u0131mda t\u00fcm veri k\u00fcmesi \u00fczerinde tahmin yapmak ve modeli yeniden e\u011fitmek gerekir.<\/p>\n \u00c7evrimi\u00e7i y\u00f6ntemler, e\u011fitim d\u00f6ng\u00fcs\u00fc i\u00e7inde, her mini-batch'ten (k\u00fc\u00e7\u00fck veri paketi) zorlu \u00f6rnekleri dinamik olarak se\u00e7er. Bu, daha esnek ve genellikle daha verimli bir yakla\u015f\u0131md\u0131r.<\/p>\n OHEM, her e\u011fitim ad\u0131m\u0131nda, bir mini-batch i\u00e7indeki t\u00fcm \u00f6rnekler i\u00e7in kay\u0131p de\u011ferlerini (loss values) hesaplar. Daha sonra, en y\u00fcksek kay\u0131p de\u011ferine sahip olan (yani modelin en \u00e7ok zorland\u0131\u011f\u0131) belirli bir orandaki \u00f6rnekleri se\u00e7er ve sadece bu \u00f6rneklerin kay\u0131p de\u011ferlerini geri yay\u0131l\u0131m (backpropagation) i\u00e7in kullan\u0131r. Bu, modelin s\u00fcrekli olarak zorlu \u00f6rneklerden \u00f6\u011frenmesini sa\u011flar.<\/p>\n Focal Loss, \u00f6zellikle nesne alg\u0131lamada s\u0131n\u0131f dengesizli\u011fi sorununu ele almak i\u00e7in tasarlanm\u0131\u015ft\u0131r. Kolay \u00f6rneklerin kay\u0131p de\u011ferlerini azaltarak ve zorlu \u00f6rneklerin kay\u0131p de\u011ferlerini art\u0131rarak \u00e7al\u0131\u015f\u0131r. Bu, modelin otomatik olarak zorlu \u00f6rneklere daha fazla odaklanmas\u0131n\u0131 sa\u011flar, dolay\u0131s\u0131yla Hard Negative Mining'in bir formudur.<\/p>\n Bu kay\u0131p fonksiyonlar\u0131, \u00f6zellikle benzerlik \u00f6\u011frenimi ve y\u00fcz tan\u0131ma gibi alanlarda kullan\u0131l\u0131r. Triplet Loss, bir \"\u00e7apa\" (anchor) \u00f6rne\u011fi, bir \"pozitif\" \u00f6rnek (\u00e7apaya benzer) ve bir \"negatif\" \u00f6rnek (\u00e7apadan farkl\u0131) olmak \u00fczere \u00fc\u00e7l\u00fc \u00f6rnekler \u00fczerinde \u00e7al\u0131\u015f\u0131r. Amac\u0131, \u00e7apa ile pozitif aras\u0131ndaki mesafeyi \u00e7apa ile negatif aras\u0131ndaki mesafeden daha k\u00fc\u00e7\u00fck hale getirmektir. Hard Negative Mining burada, \u00e7apa \u00f6rne\u011fine en yak\u0131n olan negatif \u00f6rne\u011fi (yani modelin ay\u0131rt etmekte zorland\u0131\u011f\u0131 negatifi) se\u00e7erek uygulan\u0131r.<\/p>\n <\/code><\/p>\n Triplet Loss'un varyasyonlar\u0131 da mevcuttur. Semi-Hard Triplet Mining<\/strong>, pozitiften daha uzakta ama negatiften belirli bir marjin i\u00e7inde olan negatifleri se\u00e7er. Bu, a\u015f\u0131r\u0131 zorlu \u00f6rneklerin e\u011fitim stabilitesini bozmas\u0131n\u0131 engeller. Batch Hard Triplet Mining<\/strong> ise her batch i\u00e7inde, her \u00e7apa i\u00e7in en zorlu pozitif ve en zorlu negatif \u00f6rne\u011fi se\u00e7er. Bu, daha verimli bir madencilik stratejisi sunar.<\/p>\n Hard Negative Mining, \u00f6zellikle g\u00f6rsel tan\u0131ma ve do\u011fal dil i\u015fleme gibi \u00e7e\u015fitli makine \u00f6\u011frenimi alanlar\u0131nda geni\u015f bir uygulama yelpazesine sahiptir.<\/p>\n Nesne alg\u0131lama, Hard Negative Mining'in en yayg\u0131n ve etkili oldu\u011fu alanlardan biridir. Bir g\u00f6r\u00fcnt\u00fcdeki potansiyel nesne b\u00f6lgelerinin \u00e7o\u011fu, asl\u0131nda hi\u00e7bir nesne i\u00e7ermez (negatif \u00f6rnekler). Modelin bu b\u00f6lgeleri yanl\u0131\u015fl\u0131kla nesne olarak i\u015faretlemesini (yanl\u0131\u015f pozitif) engellemek i\u00e7in, nesneye benzeyen ancak nesne olmayan zorlu negatif b\u00f6lgeler \u00fczerinde e\u011fitim yapmak kritiktir. Faster R-CNN, SSD, YOLO gibi modern algoritmalar, farkl\u0131 Hard Negative Mining stratejilerini b\u00fcnyelerinde bar\u0131nd\u0131r\u0131r.<\/p>\n G\u00f6r\u00fcnt\u00fc s\u0131n\u0131fland\u0131rmada, bir modelin iki benzer s\u0131n\u0131f\u0131 ay\u0131rt etmesi gerekti\u011finde Hard Negative Mining devreye girebilir. \u00d6rne\u011fin, farkl\u0131 kedi t\u00fcrlerini s\u0131n\u0131fland\u0131ran bir modelin, birbirine \u00e7ok benzeyen iki t\u00fcr\u00fc ay\u0131rt etmesi zor olabilir. Bu durumda, modelin yanl\u0131\u015f s\u0131n\u0131fland\u0131rd\u0131\u011f\u0131 bu t\u00fcrler aras\u0131 \u00f6rnekler zorlu negatif olarak ele al\u0131nabilir.<\/p>\n Y\u00fcz tan\u0131ma sistemlerinde, bir ki\u015finin y\u00fcz\u00fcn\u00fc di\u011ferlerinden ay\u0131rt etmek temel hedeftir. Triplet Loss gibi kay\u0131p fonksiyonlar\u0131, bir ki\u015finin y\u00fcz\u00fcn\u00fc (\u00e7apa) di\u011fer ki\u015filerin y\u00fczlerinden (negatifler) ay\u0131rmay\u0131 \u00f6\u011frenirken, Hard Negative Mining, \u00e7apa y\u00fcz\u00fcne en \u00e7ok benzeyen (veya modelin en \u00e7ok kar\u0131\u015ft\u0131rd\u0131\u011f\u0131) negatif y\u00fczleri se\u00e7erek modelin ay\u0131rt edicili\u011fini art\u0131r\u0131r.<\/p>\n Hard Negative Mining, NLP'de de kullan\u0131labilir. \u00d6rne\u011fin, bilgi eri\u015fim sistemlerinde, bir sorguya en alakal\u0131 belgeleri bulmak hedeflenir. Alakal\u0131 olmayan ancak sorguya \u00e7ok benzeyen veya modelin yanl\u0131\u015fl\u0131kla alakal\u0131 olarak i\u015faretledi\u011fi belgeler, zorlu negatif \u00f6rnekler olarak kullan\u0131labilir. Bu, modelin sorgu ile belge aras\u0131ndaki anlamsal farklar\u0131 daha iyi \u00f6\u011frenmesini sa\u011flar.<\/p>\n Hard Negative Mining, model performans\u0131n\u0131 \u00f6nemli \u00f6l\u00e7\u00fcde art\u0131rabilse de, beraberinde baz\u0131 avantajlar ve zorluklar getirir.<\/p>\n A\u015f\u0131r\u0131 agresif Hard Negative Mining, modelin sadece \u00e7ok zorlu \u00f6rneklere odaklanmas\u0131na ve daha genel \u00f6zelliklerden uzakla\u015fmas\u0131na neden olabilir. Bu durum, modelin e\u011fitim veri k\u00fcmesindeki zorlu \u00f6rnekleri ezberlemesine (overfitting) ve ger\u00e7ek d\u00fcnya verilerinde k\u00f6t\u00fc performans g\u00f6stermesine yol a\u00e7abilir. Bu nedenle, dengeli bir yakla\u015f\u0131m benimsemek \u00f6nemlidir.<\/p>\n Hard Negative Mining'i etkili bir \u015fekilde uygulamak i\u00e7in baz\u0131 pratik ipu\u00e7lar\u0131 ve en iyi uygulamalar mevcuttur.<\/p>\n Uygulaman\u0131z\u0131n gereksinimlerine ve veri k\u00fcmenizin b\u00fcy\u00fckl\u00fc\u011f\u00fcne g\u00f6re \u00e7evrimd\u0131\u015f\u0131 veya \u00e7evrimi\u00e7i y\u00f6ntemlerden birini se\u00e7in. Geni\u015f veri k\u00fcmeleri ve dinamik \u00f6\u011frenme i\u00e7in OHEM veya Focal Loss gibi \u00e7evrimi\u00e7i y\u00f6ntemler genellikle daha uygundur. Benzerlik \u00f6\u011frenimi i\u00e7in Triplet Loss ve varyasyonlar\u0131 tercih edilmelidir.<\/p>\n Hard Negative Mining'in etkisini de\u011ferlendirmek i\u00e7in sadece e\u011fitim kayb\u0131na de\u011fil, ayn\u0131 zamanda do\u011frulama seti \u00fczerindeki metrikleri (do\u011fruluk, hassasiyet, geri \u00e7a\u011f\u0131rma, F1 skoru, mAP vb.) de yak\u0131ndan takip edin. Farkl\u0131 Hard Negative Mining stratejilerini deneyerek ve sonu\u00e7lar\u0131 kar\u015f\u0131la\u015ft\u0131rarak en iyi performans\u0131 veren yakla\u015f\u0131m\u0131 belirleyin.<\/p>\n Veri art\u0131rma teknikleri (d\u00f6nd\u00fcrme, k\u0131rpma, renk de\u011fi\u015fimi vb.) ile Hard Negative Mining'i birle\u015ftirmek, modelin daha \u00e7e\u015fitli ve zorlu \u00f6rneklerle kar\u015f\u0131la\u015fmas\u0131n\u0131 sa\u011flayarak performans\u0131n\u0131 daha da art\u0131rabilir. Veri art\u0131rma, modelin ba\u015flang\u0131\u00e7ta daha robust \u00f6zellikler \u00f6\u011frenmesine yard\u0131mc\u0131 olurken, Hard Negative Mining bu \u00f6zelliklerin ay\u0131rt edicili\u011fini keskinle\u015ftirir.<\/p>\n Hard Negative Mining alan\u0131, makine \u00f6\u011frenimi ara\u015ft\u0131rmalar\u0131yla birlikte s\u00fcrekli geli\u015fmektedir. Gelecekteki trendler ve ara\u015ft\u0131rma alanlar\u0131 \u015funlar\u0131 i\u00e7ermektedir:<\/p>\n Hiperparametrelerin manuel olarak ayarlanmas\u0131 yerine, Hard Negative Mining stratejilerini otomatik olarak adapte eden algoritmalar\u0131n geli\u015ftirilmesi \u00f6nemli bir ara\u015ft\u0131rma alan\u0131d\u0131r. Reinforcement Learning (Peki\u015ftirmeli \u00d6\u011frenme) tabanl\u0131 yakla\u015f\u0131mlar bu konuda umut vaat etmektedir.<\/p>\n B\u00fcy\u00fck veri k\u00fcmeleri ve karma\u015f\u0131k modellerle \u00e7al\u0131\u015f\u0131rken Hard Negative Mining'in hesaplama maliyetini azaltacak daha verimli algoritmalar geli\u015ftirmek kritik \u00f6neme sahiptir. Donan\u0131m h\u0131zland\u0131rmas\u0131 ve da\u011f\u0131t\u0131k e\u011fitimle entegrasyon bu alandaki \u00e7al\u0131\u015fmalar\u0131 destekleyebilir.<\/p>\n Hard Negative Mining'in, milyarlarca \u00f6rne\u011fe sahip veri k\u00fcmelerinde ve ger\u00e7ek zamanl\u0131 sistemlerde nas\u0131l daha etkili bir \u015fekilde uygulanabilece\u011fi \u00fczerine ara\u015ft\u0131rmalar devam etmektedir. \u00d6zellikle b\u00fcy\u00fck \u00f6l\u00e7ekli arama ve \u00f6neri sistemleri bu teknikten faydalanabilir.<\/p>\n Hard Negative Mining, makine \u00f6\u011frenimi modellerinin performans\u0131n\u0131 ve genelleme yetene\u011fini art\u0131rmak i\u00e7in vazge\u00e7ilmez bir tekniktir. Modelin zay\u0131f noktalar\u0131n\u0131 hedefleyerek, e\u011fitim s\u00fcrecini daha verimli hale getirir ve \u00f6zellikle s\u0131n\u0131f dengesizli\u011fi sorunlar\u0131n\u0131n yayg\u0131n oldu\u011fu nesne alg\u0131lama, y\u00fcz tan\u0131ma ve benzerlik \u00f6\u011frenimi gibi alanlarda kritik bir rol oynar. \u00c7evrimd\u0131\u015f\u0131 ve \u00e7evrimi\u00e7i y\u00f6ntemler arac\u0131l\u0131\u011f\u0131yla uygulanan bu strateji, modelin sadece \"kolay\" \u00f6rneklerden de\u011fil, ayn\u0131 zamanda ay\u0131rt etmesi en zor olanlardan da \u00f6\u011frenmesini sa\u011flayarak daha sa\u011flam ve g\u00fcvenilir yapay zeka sistemleri in\u015fa etmemize olanak tan\u0131r. Do\u011fru uygulama ve dikkatli hiperparametre ayar\u0131 ile Hard Negative Mining, modelinizin potansiyelini tam olarak ortaya \u00e7\u0131karman\u0131za yard\u0131mc\u0131 olacakt\u0131r.<\/p>\n Hay\u0131r, her zaman gerekli de\u011fildir. Veri k\u00fcmeniz \u00e7ok dengeli ise veya modeliniz zaten kabul edilebilir bir performans g\u00f6steriyorsa, Hard Negative Mining'e ihtiya\u00e7 duymayabilirsiniz. Ancak s\u0131n\u0131f dengesizli\u011fi, y\u00fcksek yanl\u0131\u015f pozitif oran\u0131 veya modelin belirli \u00f6rnekleri ay\u0131rt etmekte zorland\u0131\u011f\u0131 durumlar varsa, Hard Negative Mining performans\u0131 \u00f6nemli \u00f6l\u00e7\u00fcde art\u0131rabilir.<\/p>\n Hard Negative Mining kullan\u0131rken, modelin genel do\u011frulu\u011fu, hassasiyeti (precision), geri \u00e7a\u011f\u0131rma (recall), F1 skoru ve \u00f6zellikle nesne alg\u0131lama g\u00f6revlerinde ortalama hassasiyet (mAP) gibi metrikleri izlemek \u00f6nemlidir. Yanl\u0131\u015f pozitif oran\u0131n\u0131n d\u00fc\u015f\u00fc\u015f\u00fc de \u00f6nemli bir g\u00f6stergedir. Ayr\u0131ca, do\u011frulama seti \u00fczerindeki performans\u0131n, e\u011fitim setindeki performansa g\u00f6re nas\u0131l de\u011fi\u015fti\u011fini g\u00f6zlemleyerek overfitting riskini takip etmelisiniz.<\/p>\n Evet, kesinlikle! Hard Negative Mining ve veri art\u0131rma, birbirini tamamlayan iki g\u00fc\u00e7l\u00fc tekniktir. Veri art\u0131rma, modelin daha geni\u015f bir veri \u00e7e\u015fitlili\u011fi g\u00f6rmesini sa\u011flayarak daha genel \u00f6zellikler \u00f6\u011frenmesine yard\u0131mc\u0131 olurken, Hard Negative Mining bu \u00f6zelliklerin ay\u0131rt edicili\u011fini art\u0131r\u0131r. \u0130kisini birlikte kullanmak, genellikle en iyi sonu\u00e7lar\u0131 verir.<\/p>\n K\u00fc\u00e7\u00fck veri k\u00fcmelerinde Hard Negative Mining kullan\u0131rken dikkatli olmak gerekir. \u00c7ok az say\u0131da \u00f6rnek oldu\u011funda, zorlu negatifleri se\u00e7mek modelin a\u015f\u0131r\u0131 uyum sa\u011flamas\u0131na (overfitting) neden olabilir. Bu durumda, daha az agresif madencilik stratejileri veya veri art\u0131rma gibi di\u011fer tekniklerle birlikte kullanmak daha g\u00fcvenli olabilir. B\u00fcy\u00fck veri k\u00fcmelerinde ise etkisi genellikle daha belirgindir.<\/p>\n","protected":false},"excerpt":{"rendered":"Makine \u00f6\u011frenimi modellerinin ba\u015far\u0131s\u0131, b\u00fcy\u00fck \u00f6l\u00e7\u00fcde e\u011fitim verilerinin kalitesine ve \u00e7e\u015fitlili\u011fine ba\u011fl\u0131d\u0131r. Ancak ger\u00e7ek d\u00fcnya senaryolar…","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"csco_page_header_type":"","csco_page_load_nextpost":"","csco_page_subscribe_form":"","csco_page_contact_form":"","footnotes":""},"categories":[1],"tags":[],"class_list":{"0":"post-38222","1":"post","2":"type-post","3":"status-publish","4":"format-standard","6":"category-genel","7":"cs-entry","8":"cs-video-wrap"},"yoast_head":"\n\n# 1. Modelin ilk e\u011fitimi\nmodel.train(easy_negatives_and_positives)\n\n# 2. T\u00fcm negatif \u00f6rnekler \u00fczerinde tahmin yapma\npredictions = model.predict(all_negative_samples)\n\n# 3. Yanl\u0131\u015f pozitifleri (hard negatives) belirleme\nhard_negatives = [sample for sample, pred in zip(all_negative_samples, predictions) \n if pred.is_positive_or_high_confidence_negative]\n\n# 4. E\u011fitim setine ekleme ve yeniden e\u011fitim\ntraining_set_with_hard_negatives = original_training_set + hard_negatives\nmodel.train(training_set_with_hard_negatives)\n<\/pre>\n3.2. \u00c7evrimi\u00e7i (Online) Hard Negative Mining<\/h3>\n
3.2.1. OHEM (Online Hard Example Mining)<\/h4>\n
3.2.2. Focal Loss ve Benzerleri<\/h4>\n
3.2.3. Triplet Loss ve Contrastive Loss<\/h4>\n
\n# Triplet Loss i\u00e7in Hard Negative Se\u00e7imi (Konsept)\ndef select_hard_negatives(anchor_embedding, positive_embedding, all_negative_embeddings):\n # Anchor ile t\u00fcm negatifler aras\u0131ndaki mesafeleri hesapla\n distances = [calculate_distance(anchor_embedding, neg_emb) for neg_emb in all_negative_embeddings]\n \n # Anchor'a en yak\u0131n olan negatif (hard negative)\n hard_negative_index = np.argmin(distances)\n return all_negative_embeddings[hard_negative_index]\n\n# E\u011fitim d\u00f6ng\u00fcs\u00fcnde:\n# for batch in dataloader:\n# anchor, positive, negatives = batch\n# anchor_emb, positive_emb, negative_embs = model(anchor), model(positive), model(negatives)\n# hard_negative_emb = select_hard_negatives(anchor_emb, positive_emb, negative_embs)\n# loss = triplet_loss(anchor_emb, positive_emb, hard_negative_emb)\n# loss.backward()\n<\/pre>\n3.3. Di\u011fer Yakla\u015f\u0131mlar: Semi-Hard Triplet Mining, Batch Hard Triplet Mining<\/h3>\n
4. Hard Negative Mining'in Uygulama Alanlar\u0131<\/h2>\n
4.1. Nesne Alg\u0131lama (Object Detection)<\/h3>\n
4.2. G\u00f6r\u00fcnt\u00fc S\u0131n\u0131fland\u0131rma (Image Classification)<\/h3>\n
4.3. Y\u00fcz Tan\u0131ma ve Benzerlik \u00d6\u011frenimi (Face Recognition & Similarity Learning)<\/h3>\n
4.4. Do\u011fal Dil \u0130\u015fleme (NLP) Uygulamalar\u0131<\/h3>\n
5. Hard Negative Mining'in Avantajlar\u0131 ve Zorluklar\u0131<\/h2>\n
5.1. Avantajlar\u0131: Performans Art\u0131\u015f\u0131, Daha Robust Modeller<\/h3>\n
\n
5.2. Zorluklar\u0131: Hesaplama Maliyeti, Hiperparametre Ayar\u0131<\/h3>\n
\n
5.3. Potansiyel Tuzaklar: A\u015f\u0131r\u0131 Uyum (Overfitting) Riski<\/h3>\n
6. Hard Negative Mining \u0130\u00e7in Pratik \u0130pu\u00e7lar\u0131 ve En \u0130yi Uygulamalar<\/h2>\n
6.1. Do\u011fru Y\u00f6ntemi Se\u00e7me<\/h3>\n
6.2. E\u011fitim S\u00fcrecinde Dikkat Edilmesi Gerekenler<\/h3>\n
\n
6.3. Performans De\u011ferlendirmesi ve \u0130teratif \u0130yile\u015ftirme<\/h3>\n
6.4. Veri Art\u0131rma (Data Augmentation) ile Entegrasyon<\/h3>\n
7. Gelecek Trendler ve Ara\u015ft\u0131rma Alanlar\u0131<\/h2>\n
7.1. Otomatik Hard Negative Mining<\/h3>\n
7.2. Daha Verimli Algoritmalar<\/h3>\n
7.3. Geni\u015f \u00d6l\u00e7ekli Uygulamalar<\/h3>\n
Sonu\u00e7<\/h2>\n
SSS (S\u0131k Sorulan Sorular)<\/h2>\n
Hard Negative Mining her zaman gerekli midir?<\/h3>\n
Hard Negative Mining kullan\u0131rken hangi metriklere dikkat etmeliyim?<\/h3>\n
Hard Negative Mining, veri art\u0131rma (data augmentation) ile birlikte kullan\u0131labilir mi?<\/h3>\n
Hard Negative Mining, k\u00fc\u00e7\u00fck veri k\u00fcmelerinde de etkili midir?<\/h3>\n