Yapay Zeka Suluboya Resim Yapmayı Nasıl Öğrendi? Açık Kaynak Eğitim Rehberi

Suluboya Yapan Yapay Zeka

Ağustos ayında Surya Narreddi'nin paylaştığı bir video, bir dil modelinin suluboya resimler yapmasını gösteriyordu. Model, p5.brush adlı bir kütüphane aracılığıyla JavaScript yazıyor ve bu kütüphane p5.js'e doğal çizim araçları ekliyor. Video kısa sürede 1,5 milyondan fazla izlendi. Bu proje, yapay zekanın yalnızca metin veya görsel üretmekle kalmayıp, sanatsal bir ortamı taklit edebileceğini gösteriyor. Şimdi ise bu fikrin açık kaynak versiyonu Hugging Face üzerinde yayınlandı. Eğitim süreci, veri seti ve modeller herkese açık. Bu makalede, bu açık kaynak projenin nasıl çalıştığını ve ne anlama geldiğini inceliyoruz.

Eğitim Süreci Nasıl İşliyor?

Proje, TRL (Transformers Reinforcement Learning) ve OpenEnv kullanarak bir dil modelini eğitiyor. Model, Qwen/Qwen3.5-35B-A3B gibi büyük bir dil modeli (LLM) temel alınıyor. Eğitim, GRPO (Group Relative Policy Optimization) yöntemiyle yapılıyor. Model, her adımda sekiz farklı suluboya resmi üretiyor ve bu resimler iki farklı yargıç model tarafından değerlendiriliyor. İlk yargıç HPSv3, insan tercihlerine göre eğitilmiş bir model; ikincisi ise Qwen3-VL-30B-A3B-Instruct adlı bir görüş modeli. Bu model, üretilen resmi referans havuzundaki dört resimle karşılaştırıyor. Referans havuzu, 178 elle seçilmiş resimden oluşuyor ve bu resimler 'sevdiğim' ve 'idare eder' olarak iki kategoriye ayrılıyor. Model, bu karşılaştırmalardan aldığı puana göre ödüllendiriliyor.

Ödül Tasarımı ve Zorluklar

Ödül tasarımı, projenin en kritik kısmı. Amaç, modelin yalnızca gerçekçi çiçekler değil, aynı zamanda estetik açıdan hoş resimler üretmesini sağlamak. HPSv3, görüntünün bir çiçek olup olmadığını değerlendirirken, ikili yargıç modelin stilini ve kompozisyonunu değerlendiriyor. Eğitim sırasında karşılaşılan zorluklardan biri, modelin başlangıçta çok düşük puanlar almasıydı. Sorunun öğrenme hızının çok düşük olmasından kaynaklandığı tespit edildi. Ayrıca, LoRA (Low-Rank Adaptation) parametrelerinin yanlış ayarlanması nedeniyle modelin sadece 40 katmanından 10'u eğitiliyordu. Bu sorun, tüm doğrusal katmanları hedefleyen 'all-linear' parametresiyle çözüldü. Bu ayarlamaların ardından eğitim başarılı bir şekilde ilerledi. Eğitim sırasında OpenEnv'de bir hata bulundu ve düzeltmesi açık kaynak topluluğuna iletildi. Bu tür altyapı sorunları, eğitim sürecinin ne kadar karmaşık olduğunu gösteriyor.

Sonuçlar ve Görsel Farklılıklar

Eğitim sonuçları, ödül karışımının modele etkisini gösteriyor. Üç farklı ödül karışımı test edildi: sadece HPSv3, ağırlıklı olarak ikili yargıç ve eşit ağırlıklı. İkili yargıcın ağırlığı arttıkça, modelin başlangıç puanı düşüyor ve öğrenme eğrisi daha dalgalı oluyor. Ancak, ikili yargıç içeren çalışmalarda modelin ürettiği resimler daha çeşitli ve sanatsal açıdan daha ilginç. Örneğin, 'judge-led' olarak adlandırılan çalışmada, modelin en iyi resimleri daha geniş bir renk yelpazesi ve daha belirgin fırça darbeleri içeriyor. Buna karşılık, sadece HPSv3 ile eğitilen model, daha güvenilir ancak daha az yaratıcı resimler üretiyor. Bu durum, ödül fonksiyonunun modelin davranışını nasıl şekillendirdiğini açıkça gösteriyor. Ayrıca, modelin sistem talimatındaki '15-30 dolu şekil' ifadesini görmezden geldiği ve ortalama 7-9 şekil ürettiği gözlemlendi. Bu, modelin ödül fonksiyonuna göre hareket ettiğini, talimatlara körü körüne uymadığını ortaya koyuyor.

Neden Önemli?

Bu proje, yapay zeka eğitiminde estetik tercihlerin rolünü vurguluyor. Çoğu pekiştirmeli öğrenme çalışması, doğrulanabilir ödüller kullanır (örneğin, matematik problemlerinin doğru cevabı). Ancak burada ödül, insan zevkine dayalı bir tercih modeli. Bu, yapay zekanın yalnızca nesnel görevleri değil, öznel beğenileri de öğrenebileceğini gösteriyor. Türkiye'deki yapay zeka araştırmacıları ve sanatçılar için bu proje, açık kaynak araçlarla kendi sanatsal zevklerini modele aktarabileceklerini gösteriyor. Ayrıca, eğitim sürecinin tamamen açık olması, başkalarının bu yöntemi farklı stillere veya konulara uyarlamasını kolaylaştırıyor. Bu, yapay zeka ve sanatın kesişiminde yeni bir çalışma alanı yaratıyor. Özellikle Türkiye'de dijital sanat ve yapay zeka alanındaki girişimler için ilham verici bir örnek teşkil ediyor.

Gelecek Adımlar ve Açık Kaynak Katkıları

Projenin geliştiricisi, gelecekte denemek istediği fikirleri de paylaşıyor. Bunlar arasında, modele kendi ürettiği resimleri görme şansı vermek (çok adımlı eğitim), daha küçük modeller kullanmak ve referans havuzunu çeşitlendirmek yer alıyor. Ayrıca, OpenEnv'de bulduğu bir hatayı düzelterek açık kaynak topluluğuna katkıda bulunmuş. Bu proje, yapay zeka eğitiminde altyapının ne kadar önemli olduğunu da gösteriyor; küçük bir hata, eğitimin yanlış sonuçlanmasına neden olabiliyor. Her şey açık bir şekilde yayınlandığı için, araştırmacılar bu yöntemi kendi projelerinde kullanabilir ve geliştirebilir. Örneğin, farklı bir konu veya stil için referans havuzu oluşturarak modeli eğitebilirler. Bu, yapay zeka destekli sanat üretimini demokratikleştiren önemli bir adım.

Sonuç

Bu açık kaynak proje, bir dil modelinin estetik tercihlere dayalı olarak suluboya resim yapmayı öğrenmesini sağlıyor. Eğitim süreci, ödül tasarımı ve karşılaşılan zorluklar detaylı bir şekilde belgelenmiş. Bu, yapay zeka ve sanat arasındaki sınırı zorlayan önemli bir çalışma. Türkiye'deki yapay zeka meraklıları için ilham verici bir örnek teşkil ediyor. Gelecekte benzer projelerin Türkiye'de de geliştirilmesi, hem akademik hem de sanatsal anlamda yeni ufuklar açabilir.