Convolutional Neural Network (CNN) (Evrişimli Sinir Ağı)

#GoruntuIsleme #DerinOgrenme #YapaySinirAglari #MakineOgrenmesi #ComputerVision

Goruntu ve uzamsal verilerden hiyerarsik ozellikler ogrenmeye optimize edilmis, evrisme katmanlarindan olusan derin ogrenme mimari.

CNN (Convolutional Neural Network - Evrisimsel Sinir Agi), goruntu ve uzamsal verilerden hiyerarsik ozellikler cikartan bir derin ogrenme mimarisidir. Evrisme islemi sayesinde modelin her neron'unun tum girdiyle degil yalnizca yerel bir bolgeyle baglantili olmasi, parametre sayisini drastik bicimde azaltir ve uzamsal kaliplari gormek icin idealize edilmis bir yapi olusturur. CNN'in temel yapi tasi evrisme katmanidir. Bu katmanda kucuk bir filtre (kernel), genellikle 3x3 veya 5x5 boyutunda, girdi haritasi uzerinde kayan pencereyle carpma islemi uygular. Her filtre, kenar, doku veya renk gecisi gibi belirli bir uzamsal kaliba duyarlidir. Derin bir CNN'de ilk katmanlar basit kenarlar ogrenirken sonraki katmanlar bu kenarlari birlesitirerek sekiller, nesneler ve nihayet tum nesne kategorileri ogrenir. Havuzlama (pooling) katmanlari evrisme ciktilarinin uzamsal boyutunu kucultmektedir. Max-pooling, belirli bir bolgedeki en buyuk aktivasyon degerini secer; bu sayede model konum degisimlerine karsi olcude direncli hale gelir. Kuculen ozellik haritalari sonraki evrisme katmanlarinin daha genis bir alani gormeyi mumkun kilar. Mimari tarihinde CNN'in yeri kritiktir. Yann LeCun 1989'da el yazisi rakam tanima icin LeNet'i tasarladi. 2012'de Alex Krizhevsky ve ekibi ImageNet yarismmasinda AlexNet ile o zamana kadar gorulmemis bir suc orani saglamasi, derin ogrenme alaninin patlamasini tetikledi. Ardından VGGNet, GoogLeNet, ResNet ve EfficientNet gibi mimariler gorunteden anlama icin yeni standartlar belirledi. Kalan baglantili (residual) katmanlar mimarilerin cok daha derin ancak egitimi kolay hale gelmesini mumkun kildi. CNN'ler goruntu siniflandirma, nesne tespiti (YOLO, SSD), semantik segmentasyon, yuz tanima ve tibbi goruntu analizi gibi alanlarda yayginca kullanilmaktadir. Dil modelleme icin transformer mimarisinin yukselisiyle CNN'in NLP'deki rolu azalmis olsa da gorsel veri icin hala temel mimari olma ozelligini korumaktadir. **Sik Sorulan Sorular** **CNN ile tam baglantili (dense) aglar arasindaki fark nedir?** Tam baglantili aglar her neuronu tum girdiyle baglar; bu parametre patlamasi ve uzamsal bilgi kaybi demektir. CNN yerel baglanti ve agirlik paylasimi ile parametre ekonomisi saglar ve uzamsal kaliplari verimli ogrenilir. **Kucuk veri kumesiyle CNN egitmek mumkun mudur?** Transfer ogrenme ile evet. ImageNet uzerinde onegitim gormis bir CNN'in son katmanlari, kucuk bir ozgun veri kumesiyle ince ayar yapilarak kullanilabilir; bu yaklasim ozelliklede gorsel siniflandirma gorevlerinde yaygindir. **CNN'ler metin icin de kullanilabilir mi?** 1D evrisme katmanlari metin siniflandirma ve sentiment analizinde kullanilmistir. Ancak Transformer mimarisi uzun mesafe bagimliklarini daha iyi modelledigi icin NLP'de CNN'lerin populerligini buyuk olcude assmistir. **GPU CNN egitimini neden bu kadar hizlandiriyor?** Evrisme islemi buyuk olcekli paralel matris carpimlarindan olusur; GPU'larin binden fazla islem cekirdegi bu tip isleri CPU'ya gore onlarca kat daha hizli yurutmek icin optimize edilmistir.

CNN Nedir?

Convolutional Neural Network (CNN), goruntu ve uzamsal verilerden ozellik ogrenmeye optimize edilmis bir derin ogrenme mimarisidir. Evrisme filtreleri, kayan pencereyle girdi uzerinde yerel kaliplari tespit eder: ilk katmanlarda kenarlar ve dokular, derinlestikce sekiller ve nesne parcalari, son katmanlarda ise tum nesne kategorileri ogrenilir. Bu hiyerarsik ogrenme, insanin gorsel algisiyla buyuk benzerlik gosterir ve CNN'i goruntu anlama gorevlerinde son derece etkili kilar.

Temel Yapi Taslari: Evrisme ve Havuzlama

Evrisme katmaninda bir filtre (kernel), girdi haritasi uzerinde soldan saga ve yukaridan asagi kayarak her konumda nokta carpimi uygular. Farkli filtreler farkli kaliplara duyarlidir; bir katmanda onlarca filtre paralel calisabilir. Havuzlama (pooling) katmanlari ise ozellik haritalarini uzamsal olarak kucultup modele konum degismelerine karsi direnc kazandirir. Max-pooling bir bolgedeki en buyuk deger secerken average-pooling ortalama alir. Sonda, tam baglantili katmanlar ozellik vektorunu nihai sinif olasilik dagilimine donusturur.

Tarihsel Gelisim ve Onemli Mimariler

CNN mimarisi 1989'da Yann LeCun'un LeNet calismasiyla sekillendi. 2012'de AlexNet, ImageNet yarismasinda onceki rekordan yuzde on bir dusuk bir hata orani elde ederek derin ogrenme cagini acti. Onu VGGNet'in daha derin aglar, GoogLeNet'in baslangic modulleri ve ResNet'in kalan baglanti agi izledi. Kalan baglanti (residual connection), 100'u asan katman derinliginde gradient kaybolmasi sorununu cozdugu icin bir donusum noktas sayilir. EfficientNet ve ConvNeXt gibi guncel mimariler performansi korurken parametre verimliligi arttirmaya odaklanir.

Kullanim Alanlari ve Transfer Ogrenme

CNN goruntu siniflandirma, nesne tespiti (YOLO, Faster R-CNN), semantik segmentasyon, yuz tanima, tibbi goruntu analizi ve uydu goruntu analizi gibi genis bir yelpazede kullanilir. Transfer ogrenme, ImageNet uzerinde onegitim gormis bir CNN'i (ResNet, EfficientNet) yeni bir goreve hizla uyarlamayi mumkun kilar. Kucuk veri kumelerinde sifirdan egitim yerine transfer ogrenme hem hiz hem dogruluk acisindan belirgin ustunluk saglar. Son yillarda Vision Transformer (ViT) mimarisi bazi goreve CNN'i geride biraksa da CNN ekosistemi aktif kalitesini korumaktadir.

Öne Çıkan CNN Mimarileri

ResNet (2015)

Artık bağlantılarla 152+ katman eğitimini mümkün kıldı; ImageNet'te devrim yarattı, transfer öğrenmede hâlâ temel referans.

EfficientNet

Derinlik, genişlik ve çözünürlüğü bileşik katsayıyla ölçeklendirir; parametre başına en yüksek doğruluk oranına sahip aileden biri.

ConvNeXt

Modern tasarım ilkelerini klasik CNN mimarisine uygular; Vision Transformer'larla rekabet eden saf konvolüsyonel model.

MobileNetV3

Edge ve mobil çıkarım için optimize; NAS ile bulunan h-swish aktivasyonu ve sıkıştırma bloklarıyla düşük gecikmeli çıkarım.

help Sik Sorulan Sorular

  • check_circle CNN ile tam baglantili aglar arasindaki fark nedir? Tam baglantili aglar her neuronu tum girdiyle baglar; parametre patlamasi ve uzamsal bilgi kaybi demektir. CNN yerel baglanti ve agirlik paylasimi ile parametre ekonomisi saglar ve uzamsal kaliplari verimli ogrenilir.
  • check_circle Kucuk veri kumesiyle CNN egitmek mumkun mudur? Transfer ogrenme ile evet. ImageNet uzerinde onegitim gormis bir CNN son katmanlari, kucuk bir veri kumesiyle ince ayar yapilarak kullanilabilir.
  • check_circle CNN'ler metin icin de kullanilabilir mi? 1D evrisme katmanlari metin siniflandirma gorevlerinde kullanilmistir. Ancak Transformer mimarisi NLP'de buyuk olcude CNN'lerin populerligini assmistir.
  • check_circle GPU CNN egitimini neden bu kadar hizlandiriyor? Evrisme islemi buyuk olcekli paralel matris carpimlarindan olusur; GPU'larin binden fazla islem cekirdegi bu tip isleri CPU'ya gore onlarca kat daha hizli yurutmek icin optimize edilmistir.