tag CNN
Audio Classification (Ses Sınıflandırma)
Bu sayfada CNN (Audio Classification (Ses Sınıflandırma)) etiketi ile işaretlenmiş 10 yapay zeka kavramını bulabilirsiniz.
Ses Sınıflandırma (Audio Classification), bir ses sinyalinin içeriğini otomatik olarak belirlenmiş kategorilere atayan makine öğrenimi ve derin öğrenme sürecidir. Geleneksel ses işleme yöntemleri elle tasarlanmış özelliklere (MFCC, mel-spektrogram gibi) dayanırken, modern derin öğrenme modelleri bu temsilleri doğrudan girdi alarak sınıflandırma görevini otomatik özellik çıkarımıyla gerçekleştirir. En yaygın yaklaşım, ses sinyalini görsel bir frekans-zaman temsili olan mel-spektrograma dönüştürmek ve ardından bu görüntü üzerinde evrişimli sinir ağları (CNN) uygulamaktır. Bu yaklaşım, bilgisayarlı görme alanındaki ilerlemelerin ses sınıflandırmaya başarıyla aktarılmasını sağlamıştır. YAMNet ve PANN (Pre-trained Audio Neural Networks) gibi büyük ölçekli ön eğitimli modeller, transfer learning aracılığıyla küçük veri kümeleri için de yüksek başarım sunmaktadır. Ses sınıflandırma problemleri çeşitli biçimler alabilir: müzik türü tanıma (pop, rock, caz), kentsel ses tanıma (araba kornası, müzik aleti, insan sesi), çevresel ses sınıflandırma (yağmur, rüzgar, hayvan sesleri), tıbbi ses analizi (öksürük, nefes sesleri, kalp atışı) ve konuşma/müzik/gürültü ayrımı bunların başında gelmektedir. Değerlendirme metrikleri problemin türüne göre değişir: ikili sınıflandırmada F1 skoru ve AUC, çok sınıflı görevlerde doğruluk ve karışıklık matrisi, çok etiketli görevlerde ise mAP (mean Average Precision) tercih edilir. Google'ın AudioSet veri kümesi 632 ses kategorisi ve yaklaşık 2 milyon etiketli video klipiyle genel amaçlı ses sınıflandırma modellerinin eğitimini mümkün kılmaktadır. Ses sınıflandırma, yapay zeka uygulamalarında artmakta olan önemiyle akıllı ses işleme ekosisteminin temel bir bileşeni hâline gelmiştir.
Audio Classification (Ses Sınıflandırma)
Ses Sınıflandırma (Audio Classification), bir ses sinyalinin içeriğini otomatik olarak belirlenmiş kategorilere atayan makine öğrenimi ve derin öğrenme sürecidir. Geleneksel ses işleme yöntemleri elle tasarlanmış özelliklere (MFCC, mel-spektrogram gibi) dayanırken, modern derin öğrenme modelleri bu temsilleri doğrudan girdi alarak sınıflandırma görevini otomatik özellik çıkarımıyla gerçekleştirir. En yaygın yaklaşım, ses sinyalini görsel bir frekans-zaman temsili olan mel-spektrograma dönüştürmek ve ardından bu görüntü üzerinde evrişimli sinir ağları (CNN) uygulamaktır. Bu yaklaşım, bilgisayarlı görme alanındaki ilerlemelerin ses sınıflandırmaya başarıyla aktarılmasını sağlamıştır. YAMNet ve PANN (Pre-trained Audio Neural Networks) gibi büyük ölçekli ön eğitimli modeller, transfer learning aracılığıyla küçük veri kümeleri için de yüksek başarım sunmaktadır. Ses sınıflandırma problemleri çeşitli biçimler alabilir: müzik türü tanıma (pop, rock, caz), kentsel ses tanıma (araba kornası, müzik aleti, insan sesi), çevresel ses sınıflandırma (yağmur, rüzgar, hayvan sesleri), tıbbi ses analizi (öksürük, nefes sesleri, kalp atışı) ve konuşma/müzik/gürültü ayrımı bunların başında gelmektedir. Değerlendirme metrikleri problemin türüne göre değişir: ikili sınıflandırmada F1 skoru ve AUC, çok sınıflı görevlerde doğruluk ve karışıklık matrisi, çok etiketli görevlerde ise mAP (mean Average Precision) tercih edilir. Google'ın AudioSet veri kümesi 632 ses kategorisi ve yaklaşık 2 milyon etiketli video klipiyle genel amaçlı ses sınıflandırma modellerinin eğitimini mümkün kılmaktadır. Ses sınıflandırma, yapay zeka uygulamalarında artmakta olan önemiyle akıllı ses işleme ekosisteminin temel bir bileşeni hâline gelmiştir.
Computer Vision (Bilgisayarlı Görü)
Computer Vision (Bilgisayarlı Görü), bilgisayarların dijital görüntüler ve videolardan anlamlı bilgi çıkarmasını sağlayan yapay zeka dalıdır. İnsan görme sistemini taklit etmeyi amaçlayan bu alan; nesne tanıma, sahne anlayışı, hareket analizi ve 3B algı gibi görevleri kapsar. Bilgisayarlı görünün kökenleri 1960'lara uzansa da modern dönemin dönüm noktası 2012 yılındaki AlexNet'tir. Alex Krizhevsky'nin geliştirdiği evrişimli sinir ağı (CNN), ImageNet yarışmasında ikinci sıraya kıyasla %10'luk hata azaltmasıyla rakiplerini büyük farkla geride bıraktı ve derin öğrenme çağını başlattı. O tarihten bu yana CNN mimarileri (ResNet, VGG, EfficientNet) bilgisayarlı görünün omurgası haline geldi. 2020'lerde ise Vision Transformer (ViT) mimarisi NLP'den ödünç alınan dikkat mekanizmasını görsel görevlere uyarlayarak CNN'lerle rekabet eder düzeye ulaştı. Uygulama alanları son derece geniştir. Tıbbi görüntülemede radyoloji yapay zekası, akciğer kanseri tespitinde uzman radyologlarla kıyaslanabilir hassasiyete ulaşmıştır. Otonom araçlarda LiDAR ve kamera füzyonuna dayanan algılama sistemleri yüzlerce nesneyi eş zamanlı takip eder. Üretimde optik kusur tespiti insan gözünün kaçırdığı mikron ölçekli hataları yakalar. Perakende sektöründe kasasız mağaza teknolojileri (Amazon Go gibi) anlık raf takibi yapabilmektedir. Nesne tespitinde YOLO (You Only Look Once) mimarisi gerçek zamanlı uygulamalarda sektör standardı haline gelmiştir; tek geçişli tasarımı milisaniyeler içinde sonuç üretir. Segmentasyon görevlerinde SAM (Segment Anything Model, Meta 2023) sıfır-atış (zero-shot) yetenekleriyle çığır açmıştır — kullanıcı yalnızca bir prompt ile herhangi bir nesneyi piksel düzeyinde seçebilmektedir. Temel zorluklar arasında değişen aydınlatma koşullarına, ölçek farklılıklarına ve gizleme (occlusion) durumlarına karşı dayanıklılık yer almaktadır. Yüz tanıma teknolojisinin toplu gözetim amaçlı kullanımı ve biyometrik veri gizliliği, alanın güncel etik tartışmalarının merkezinde yer almaktadır. AB Yapay Zeka Yasası bu riskleri göz önünde bulundurarak gerçek zamanlı biyometrik gözetimi kamuya açık alanlarda yüksek riskli AI kapsamında değerlendirmektedir.
Derin Öğrenme (Derin Öğrenme)
Derin Öğrenme (Deep Learning), çok sayıda işlem katmanından oluşan yapay sinir ağlarını kullanarak verilerden hiyerarşik temsiller öğrenen makine öğrenmesi alt dalıdır. 2012'de AlexNet'in ImageNet yarışmasını kazanmasıyla ana akıma giren derin öğrenme, görüntü tanıma, doğal dil işleme, ses sentezi ve oyun oynama gibi alanlarda insan performansını aşan sonuçlar üretmektedir. Temel yapı taşı yapay nörondur: gelen sinyallerin ağırlıklı toplamını bir aktivasyon fonksiyonundan (ReLU, sigmoid, tanh) geçirerek çıktı üretir. Yüzlerden binlerce nöronun art arda katmanlar oluşturması hiyerarşik özellik çıkarımını mümkün kılar. Erken katmanlar kenar ve doku gibi düşük seviye özellikleri, derin katmanlar yüz veya nesne gibi yüksek seviye soyutlamaları kodlar. Geri yayılım (backpropagation) ve stokastik gradyan inişi (SGD) bu ağırlıkları optimize eder; her adımda tahmin hatasını küçültecek yönde parametre güncellenir. Mimari ailesi geniştir. Evrişimli sinir ağları (CNN) görüntü verisini işlemek için yerel bağlantı ve ağırlık paylaşımı kullanır; ResNet ve EfficientNet bu ailenin tanınan üyeleridir. Tekrarlayan sinir ağları (RNN) ve kapılı varyantı LSTM zaman serisi ve metin verisini sıralı olarak işler. Transformer mimarisi, öz-dikkat mekanizmasıyla paralel eğitim avantajı sunar ve GPT, BERT, T5 gibi büyük dil modellerinin temelini oluşturur. Üretici çekişmeli ağlar (GAN), varyasyonel otokodlayıcılar (VAE) ve difüzyon modelleri yeni içerik sentezler. Derin öğrenmenin temel gereksinimleri büyük veri ve yüksek işlem gücüdür; NVIDIA GPU'ları ve Google TPU'ları bu ihtiyacı karşılar. Aşırı uyum sorunuyla başa çıkmak için dropout, toplu normalizasyon ve veri artırma teknikleri yaygın biçimde uygulanır. Transfer öğrenme ise önceden eğitilmiş modellerin yeni görevlere uyarlanmasını sağlar; böylece veri ve hesaplama maliyeti büyük ölçüde azalır. Pratik uygulamaları arasında tıbbi görüntü analizi, özerk araç algı sistemleri, gerçek zamanlı konuşma tanıma ve kişiselleştirilmiş öneri motorları öne çıkar. GPT, Claude ve Gemini gibi büyük dil modelleri ile Stable Diffusion ve Midjourney gibi görsel üretim sistemleri doğrudan derin öğrenme mimarileri üzerine inşa edilmiştir. Türkiye'de e-ticaret kişiselleştirme, bankacılık dolandırıcılık tespiti ve Türkçe NLP uygulamaları başlıca kullanım senaryoları arasındadır. PyTorch ve TensorFlow, araştırmacıların ve geliştiricilerin bu modelleri hızla hayata geçirebildiği başlıca açık kaynak çerçevelerdir.
Image Recognition (Görüntü Tanıma)
Image recognition (görüntü tanıma), bilgisayar sistemlerinin dijital görüntüler veya video karelerindeki nesneleri, yüzleri, sahneleri ve kalıpları otomatik olarak tanımlayıp sınıflandırma yeteneğidir. İnsan görsel korteksinin işlevini taklit etmeyi hedefleyen bu teknoloji, yapay zeka ve bilgisayarlı görünün (computer vision) en temel uygulamalarından biridir. Görüntü tanımanın kökleri 1960'lara uzanmakla birlikte, teknoloji 2012 yılında gerçek anlamda devrim yaşadı. Geoffrey Hinton liderliğindeki Toronto Üniversitesi ekibi, AlexNet adlı derin öğrenme modeliyle ImageNet görüntü sınıflandırma yarışmasını (ILSVRC) kazanarak hata oranını yüzde 26'dan yüzde 15'e düşürdü. Bu başarı, geleneksel el yapımı özelliklerin (SIFT, HOG) yerini derin sinir ağlarına bırakma sürecini başlattı. Modern görüntü tanıma sistemleri, Evrişimli Sinir Ağları (CNN) üzerine kuruludur. CNN mimarisi, görüntüdeki kenar ve köşeler gibi düşük seviyeli özelliklerden başlayarak giderek daha soyut gösterimlere —kulaklar, gözler, yüzler gibi— doğru ilerler. ResNet (derin kalıntı ağları), EfficientNet ve DenseNet farklı hız-doğruluk dengelerinde kullanılır. 2020'den itibaren Vision Transformer (ViT) mimarileri de rekabetçi sonuçlar vererek CNN'lerle yarışmaktadır. CLIP (Contrastive Language-Image Pre-training) ise metin-görüntü öğrenimini birleştirerek sıfır-atış tanıma kabiliyeti kazandırmaktadır. Görüntü tanıma genel bir çatı kavramdır; altında birkaç farklı görev bulunur: Görüntü sınıflandırma tüm görüntüye tek bir etiket atarken, nesne tespiti (object detection) birden fazla nesnenin sınıfını ve konumunu (bounding box) aynı anda belirler. Anlamsal bölütleme (semantic segmentation) her pikseli bir sınıfla etiketler, örnek bölütleme (instance segmentation) ise her nesne kopyasını ayrı ayrı maskeler. Uygulama alanları son derece geniştir: tıbbi görüntülemede kanser tespiti, otonom araçlarda trafik işareti ve yaya tanıma, e-ticarette görsel ürün arama, üretim hatlarında kalite kontrolü ve güvenlik sistemlerinde yüz doğrulama bunların başında gelir. Değerlendirme metrikleri arasında ImageNet'teki Top-1 ve Top-5 doğruluk oranları en yaygın kullanılanlarıdır; nesne tespiti görevlerinde ise ortalama hassasiyet (mAP) ve Birleşim Üzerinden Kesişim (IoU) tercih edilir.
Object Detection (Nesne Tespiti / Nesne Tanıma)
Nesne tespiti (object detection), bir görüntüde veya videodaki nesnelerin hem varlığını hem de konumunu otomatik olarak belirleyen bilgisayarlı görü tekniğidir. Yalnızca görüntünün genelinde ne olduğunu söyleyen görüntü sınıflandırmasının aksine nesne tespiti her nesnenin çevresine bir sınır kutusu (bounding box) çizer ve nesneyi etiketler. Nesne tespiti sistemleri iki ana kategoride incelenir. İki aşamalı detektörler (two-stage detectors), önce potansiyel nesne bölgeleri önerir (Region Proposal Network), ardından bu bölgeleri sınıflandırır. Faster R-CNN bu kategorinin öncü modelidir. Tek aşamalı detektörler (one-stage detectors), tahmin ve sınıflandırmayı tek bir geçişte gerçekleştirir; YOLO serisi ve SSD bu kategorinin en bilinen modelleridir. YOLO'nun evrimi nesne tespitinin tarihini özetler: YOLOv1 (2016), YOLOv3, YOLOv5, YOLOv8 ve YOLOv11'e uzanan her sürümde hız/doğruluk dengesi iyileştirilmiştir. Ultralytics'in YOLOv8'i, kolay kullanım ve güçlü performanıyla topluluk standardı haline gelmiştir. Transformer tabanlı DETR (Detection Transformer), bounding box tahmini ile dikkat mekanizmasını birleştirerek alanı yenilemiş; anchor-free tasarımıyla geleneksel bileşenlere olan bağımlılığı azaltmıştır. Değerlendirme metriği olarak mAP (mean Average Precision) kullanılır; bu metrik, farklı IoU (Intersection over Union) eşiklerindeki precision-recall eğrisinin altındaki alan ortalamasını ölçür. COCO veri kümesi, nesne tespiti modellerinin karşılaştırılması için endüstri standardı haline gelmiştir. Gerçek zamanlı uygulamalarda (otonom araçlar, güvenlik kameraları, drone görüntü analizi) düşük gecikme kritik olduğundan tek aşamalı detektörler ön plana çıkar. Örnek olarak YOLOv8n (nano), CPU üzerinde 60+ FPS hızında çalışabilirken YOLOv8x (extra large) COCO'da daha yüksek mAP değerleri elde eder. Model seçimi, donanım kısıtları ve doğruluk gereksinimine göre yapılmalıdır; TensorRT ve ONNX optimizasyonu üretim dağıtımında gecikmeyi önemli ölçüde düşürür; bu sayede edge cihazlarda bile gerçek zamanlı çıkarım mümkün olur. Instance segmentation (YOLOv8-seg, Mask R-CNN) ve keypoint detection gibi türev görevler, nesne tespiti altyapısını piksel düzeyi veya iskelet bazlı analizle genişletir.
Ses Parmak İzi (Audio Fingerprinting) (Ses Parmak İzi)
Ses parmak izi (audio fingerprinting), bir ses kaydinin akustik ozelliklerinden cikarilan kompakt, esise ve saglam bir dijital imzadır. Ayni sarki veya ses iceriginin farkli kayitlarda, yayinlarda veya platformlarda tespitini mumkun kilar; farkli bit hizlarinda kodlanmis, farkli gürültuyle karistirilmis veya kısmi bir sekilde kesilmis kayitlarda bile buyuk dogrulukla esleme yapilabilir. Bu alanin en populer tuketu uygulamasi Shazam'dir. 2002 yilında gelistirilen Shazam, bir garsinin gida yakaladigi ambient sesten muzigi tanimlar. Teknik olarak konusursak Shazam, spektrogram uzerindeki frekans tepe noktalarini isaretleyip bu noktalarin koordinatlarini (zaman, frekans) ve ikili combinasyonlarini bir parmak izi veritabanina kiyaslar. Bu yaklasim gurultu karmasiklığına direncli olup milyonlarca sarkiyi iceren bir veritabaninda milisaniyeler icinde esleme yapabilir. Ticari duzlemde ses parmak izi telif hakki izlemenin temel teknolojisidir. YouTube'un Content ID sistemi, yuklenen videolardaki muzikleri milyonlarca kayitli eserlerin parmak izleriyle karsilastirir; esleme bulundugunda video engellenir veya geliri hak sahibine yonlendirilir. Radyo yayinlarinin izlenmesi, icerik moderasyonu ve dijital muzik dagitim platformlarindaki kopya tespiti diger buyuk kullanim alanlarindan biridir. Ses parmak izi sistemleri tipik olarak iki asamadan olusur: parmak izi cikarma (feature extraction) ve esleme (matching). Feature extraction asamasinda melspectrogram veya STFT uzerinde derin ogrenme yontemleri veya geleneksel akustik ozellik cikarimi (tepe noktasi haritasi) kullanilir. Matching asamasinda hizli yakin komsu arama (LSH - Locality Sensitive Hashing, FAISS gibi vektör veritabanlari) ile milyonlarca parmak izine karsi saniyeler icinde sorgu yapilir. **Sik Sorulan Sorular** **Ses parmak izi ile ses tanima (speech recognition) arasindaki fark nedir?** Ses tanima konusmayi metne donusturur. Ses parmak izi ise sesin icerigi ne oldugunu analiz etmez; yalnizca o sesin daha once gorulup gorulmedigini tespit eder. **Shazam nasil bu kadar hizli calisir?** Shazam'in mimari bulut tarafli bir veritabani ile cihaz tarafindan cikarilan kompakt parmak izini eslesitirir. Parmak izi veritabani ikili hash tabanlari ile sorgulanir ve bu neden milyonlarca eserde saniyeler icinde esleme mumkun olur. **Ses parmak izi copyright infringement icin gercek zamanli kullanilabilir mi?** Evet. YouTube Content ID, Spotify ve Apple Music gibi platformlar yuklenen icerigini anlik parmak izi veritabaniyla karsilastirmak icin gercek zamanli boru hatlari kullanir. **Ses parmak izi AI ile nasil evrimlesimektedir?** Derin ogrenme tabanli parmak izi sistemleri geleneksel spektral tepe nokta yaklasimina kiyasla daha az bilgi ile daha guvenilir esleme sagliyor; kisa snippet'lardan, bozulmus ses kayitlarindan veya karma dil icerikten esleme konusunda daha guclu olduklarini gosteriyor.
Sinirsel Stil Transferi (Sinirsel Stil Transferi)
Sinirsel stil transferi, bir kaynak görüntünün fotografik içeriğini (nesneler, yapı, kompozisyon) korurken başka bir referans görüntünün sanatsal stilini (fırça darbeleri, renk paleti, doku) bu görüntünün üzerine aktaran bir derin öğrenme tekniğidir. Temel yaklaşım, Leon Gatys, Alexander Ecker ve Matthias Bethge tarafından 2015 yılında "A Neural Algorithm of Artistic Style" başlıklı makaleyle ortaya konulmuştur. Yöntemde ImageNet veri kümesi üzerinde önceden eğitilmiş VGG-16 gibi derin bir evrişimsel sinir ağı (CNN) bir özellik çıkarıcı olarak kullanılır; ancak sinir ağı yeniden eğitilmez. Teknik, iki ayrı kayıp fonksiyonunu optimize ederek çalışır: içerik kaybı ve stil kaybı. İçerik kaybı, üretilen görüntünün CNN'in derin katmanlarındaki özellik haritalarının içeriği alınan orijinal görüntünün özellik haritalarından çok sapmamasını sağlar. Stil kaybı ise CNN'in çeşitli katmanlarındaki özellik haritalarının Gram matrislerini karşılaştırır; Gram matrisi, özellik haritaları arasındaki korelasyonları yakalayarak stili dokusal ve renk açısından temsil eder. Klasik Gatys yönteminin en büyük kısıtlaması, tek bir görüntü için dakikalarca sürebilen iteratif optimizasyon sürecidir. Bu sorunu çözmek için Justin Johnson ve arkadaşları 2016 yılında bir görüntü dönüştürücü ağ eğiterek tek ileri besleme geçişinde anlık stil uygulayabilen Hızlı Sinirsel Stil Transferini (Fast NST) geliştirmiştir. Daha sonra Huang ve Belongie tarafından önerilen Uyarlamalı Örnek Normalizasyonu (AdaIN) ise herhangi bir stil görüntüsünün tek bir modelle anlık aktarılmasını mümkün kılan önemli bir ilerleme olmuştur. Günümüzde Stable Diffusion ve ControlNet gibi difüzyon tabanlı modeller, NST'nin pek çok pratik kullanım alanının yerini almaya başlamış olsa da sinirsel stil transferi, derin öğrenmede üretken görüntü işlemenin tarihsel açıdan kritik bir kilometre taşı olmayı sürdürmektedir.
U-Net (Mimarisi)
U-Net, Olaf Ronneberger ve arkadaşları tarafından 2015 yılında tıbbi görüntü segmentasyonu için geliştirilen, encoder-decoder yapısını simetrik atlama bağlantılarıyla (skip connections) birleştiren bir evrişimli sinir ağı mimarisidir. "U-Net: Convolutional Networks for Biomedical Image Segmentation" makalesiyle tanıtılan bu mimari, modern difüzyon modellerinin ve görüntü-görüntü çeviri ağlarının temel yapısı haline gelmiştir. U-Net iki ana bölümden oluşur. Encoder (daralma yolu), görüntüden giderek soyutlanan özellikler çıkarır; her katmanda uzamsal boyut yarıya iner, kanal sayısı ikiye katlanır (örn. 64→128→256→512). Bu "aşağı yol" mekânsal bilgiyi kaybeder ama anlambilimsel (semantik) zenginleşir. Decoder (genişleme yolu), encoder çıkışından başlayarak transposed convolution veya bilinear upsampling ile uzamsal boyutu kademeli olarak geri kazanır. Skip connections, encoder'ın her katman çıkışını, aynı çözünürlükteki decoder katmanına kopyalar ve birleştirir (concatenate). Bu bağlantılar, encoder'ın kaybettiği ince mekânsal ayrıntıları decoder'a aktarır; bu sayede hem yüksek çözünürlük hem de derin anlambilimsel bilgi bir arada korunur. U-Net bugün tıbbi segmentasyonun çok ötesinde kullanılmaktadır: tüm DDPM ve Stable Diffusion modellerinin gürültü tahmin ağı U-Net'tir; görüntüden görüntüye çeviri (pix2pix, ControlNet) ve anomali tespiti gibi görevlerde de yaygın olarak tercih edilmektedir.
Image Classification (Görüntü Sınıflandırma)
Görüntü sınıflandırma (image classification), bir bilgisayar görü görevidir ve modelin girdi görüntüsünü önceden tanımlanmış kategorilerden birine atamasını gerektirir. Nesne tespiti bölge koordinatları, bölütleme piksel maskeleri çıkarırken sınıflandırma yalnızca "bu görüntüde ne var?" sorusunu yanıtlar. 2012 yılında AlexNet'in ImageNet Large Scale Visual Recognition Challenge (ILSVRC) yarışmasında derin evrişimli sinir ağlarını kullanarak top-5 hata oranını %26'dan %17'ye indirmesi alanın dönüm noktasıdır. Bunu VGGNet, GoogLeNet (Inception) ve 2015'te ResNet izledi; ResNet'in artık bağlantıları (residual connections) gradyan kaybını çözerek 152 katmanlı ağların eğitimini olanaklı kıldı. Bu gelişmeyle insan düzeyi doğruluğun (~%5 top-5 hata) altına inildi. Modern görüntü sınıflandırma ardışık düzeni şu adımları izler: ham pikseller evrişimli katmanlar aracılığıyla özellik haritalarına dönüştürülür; global havuzlama ile sabit boyutlu vektöre indirgenir; son katmanda Softmax fonksiyonu her sınıf için olasılık dağılımı üretir. Top-1 doğruluk (en yüksek olasılıklı sınıf) ve top-5 doğruluk (ilk beş tahmin içinde gerçek sınıfın bulunması) temel değerlendirme metrikleridir. Transfer öğrenme uygulamalarda belirleyici hâle gelmiştir: ImageNet'te ön eğitilmiş bir model alınarak son katmanları hedefe özgü sınıflar için ince ayar yapılır. Bu yöntem veri gereksinimini ve eğitim süresini önemli ölçüde azaltır. EfficientNet, bileşik ölçeklendirme ile doğruluk ve hesaplama verimliliğini birlikte optimize eden bir yaklaşım sunarken Vision Transformer (ViT), 2020'den itibaren saf dikkat mekanizmasıyla CNN tabanlı modellere kıyaslanabilir performans elde etmiştir. ConvNeXt ise Transformer tasarım ilkelerini CNN mimarisine taşıyarak 2022'de kıyaslama tablolarında üst sıralara yerleşmiştir. Tıbbi görüntüleme (radyoloji, patoloji), tarımsal zararlı ve hastalık tespiti, kalite kontrol sistemleri ve uydu görüntüsü analizi başlıca uygulama alanlarını oluşturmaktadır. Öte yandan, eğitim dağılımından farklı verilerle performansın dramatik düşmesi (dağılım kayması) ve önyargılı eğitim kümelerinden kaynaklanan adalet sorunları, uygulamalarda dikkat edilmesi gereken kritik kısıtlamalardır.
ReLU (Doğrultulmuş Doğrusal Birim)
ReLU, yapay sinir ağlarında nöronların çıktısını belirleyen bir aktivasyon fonksiyonudur. Formülü basittir: girdi sıfırdan büyükse olduğu gibi geçer, sıfır veya altındaysa sıfır döner. Bu basitlik, derin ağlarda on yıl boyunca hâkim olan sigmoid ve tanh fonksiyonlarının yerini almasının asıl nedenidir. Sigmoid ve tanh, girdi değerleri çok büyüdüğünde ya da çok küçüldüğünde gradyanları neredeyse sıfıra yaklaştırır. Geri yayılım sırasında bu küçük gradyanlar katman katman çarpılır; on, yirmi katmanlı bir ağda en baştaki katmanlara ulaşan gradyan fiilen yokolur. Ağırlıklar güncellenemez, ağ öğrenemez. Bu soruna kaybolan gradyan problemi denir ve 1990'larda derin ağ araştırmalarının önündeki en büyük engellerden biriydi. ReLU bu problemi doğrudan çözer. Pozitif girdiler için gradyan her zaman 1'dir; çarpma işlemi değeri küçültmez. Bunun yanı sıra üs veya üstel fonksiyon gerektirmediğinden hesaplaması sigmoid ve tanh'a göre çok daha hızlıdır. GPU'larda paralel işlem yapıldığında bu fark büyük ağlarda ciddi zaman tasarrufuna dönüşür. Pratikteki etkisi 2012 AlexNet modeliyle belgelenmiştir. Krizhevsky ve ekibi, aynı mimaride sigmoid yerine ReLU kullanarak eğitim süresini altıda bire indirmiştir. O tarihten bu yana derin öğrenmede gizli katman aktivasyonu denildiğinde varsayılan seçenek ReLU olmuştur. Ancak ReLU kusursuz değildir. Negatif girdi alan nöronlar sürekli sıfır çıktısı üretir ve gradyanları sıfır olduğundan bir daha güncellenemezler. Buna ölü ReLU problemi denir. Yüksek öğrenme hızı kullanıldığında veya ağırlıklar olumsuz başlatıldığında ağdaki nöronların önemli bir kısmı bu duruma düşebilir. Bu soruna karşı geliştirilen varyantlar mevcuttur: Leaky ReLU negatif girdiler için küçük bir eğim (genellikle 0,01) kullanır. PReLU bu eğimi öğrenilebilir bir parametre haline getirir. ELU negatif bölgede üstel bir eğri kullanarak ortalama aktivasyonu sıfıra yaklaştırır. GELU ise girdiyi bir olasılık ağırlığıyla çarpar ve özellikle dil modellerinde (BERT, GPT) tercih edilir. ReLU bugün evrişimli sinir ağlarında, derin tam bağlantılı ağlarda ve görüntü sınıflandırma modellerinin büyük çoğunluğunda gizli katman aktivasyonu olarak kullanılmaktadır.