Evrişimli Sinir Ağları (CNN'ler)

Evrişimli Sinir Ağları (CNN'ler), görüntü verilerini işlemek üzere tasarlanmış özel bir sinir ağı türüdür. Görüntü sınıflandırma, nesne algılama ve yüz tanıma gibi görevlerde yaygın olarak kullanılırlar.

CNN'ler Görüntülerde Neden Etkilidir

CNN'ler şu özellikleri sayesinde etkilidir:

• Mekânsal İlişkileri Koruma: Görüntüleri piksel ızgaraları olarak işler.
• Hesaplama Maliyetini Azaltma: Yerel bölgeler için ortak ağırlıklar (çekirdekler) kullanır.
• Hiyerarşik Özellikleri Çıkarma: Katmanlar hâlinde kenarları, şekilleri ve karmaşık örüntüleri algılar.

Evrişim Katmanları

Evrişim katmanları CNN'lerin temelini oluşturur. Özellikleri çıkarmak için girdi görüntüsüne filtreler (çekirdekler) uygularlar.

Örnek:

• Girdi: 5×5 boyutunda bir görüntü.
• Çekirdek: 3×3 boyutunda bir filtre.
• Çıktı: Örüntüleri vurgulayan bir özellik haritası.

Örnek: Evrişim Uygulama

Basit bir evrişim işlemini benzetmek için Python ve NumPy kullanabiliriz:

import numpy as np

# Example 5x5 image
image = np.array([
    [1, 2, 3, 0, 1],
    [0, 1, 2, 3, 4],
    [1, 2, 3, 0, 1],
    [0, 1, 2, 3, 4],
    [1, 0, 1, 2, 3]
])

# Example 3x3 kernel
kernel = np.array([
    [1, 0, -1],
    [1, 0, -1],
    [1, 0, -1]
])

# Perform convolution (without padding or strides)
from scipy.signal import convolve2d
output = convolve2d(image, kernel, mode='valid')
print("Feature Map:", output)

Havuzlama Katmanları

Havuzlama katmanları, önemli bilgileri korurken özellik haritalarının boyutunu küçültür. Yaygın türleri şunlardır:

• Maksimum Havuzlama: Bir bölgedeki en büyük değeri korur.
• Ortalama Havuzlama: Bir bölgedeki ortalama değeri hesaplar.

Tam Bağlı Katmanlar

Tam bağlı katmanlar, bir katmandaki tüm nöronları sonraki katmandaki nöronlara bağlar. Görüntü sınıflandırma gibi görevlerde tahmin yapmak için çıkarılan özellikleri birleştirirler.

Tipik CNN Mimarisi

Tipik bir CNN şu bileşenlerden oluşur:

1. Evrişimli Katmanlar: Girdiden özellikleri çıkarır.
2. Havuzlama Katmanları: Özellik haritalarının boyutlarını küçültür.
3. Tam Bağlı Katmanlar: Son sınıflandırmayı veya regresyonu gerçekleştirir.

CNN'lerin Avantajları

CNN'ler, aşağıdaki özellikler sayesinde görüntü işlemede son derece etkilidir:

• Evrişim katmanlarıyla verimli özellik çıkarımı.
• Parametre paylaşımı sayesinde aşırı uyumun azaltılması.
• Birden çok katmanla karmaşık görüntü verilerini işleyebilme.

Özet ve Sonraki Adımlar

Bu derste:

• Evrişimli sinir ağlarının yapısını ve çalışma biçimini inceledik.
• Evrişim, havuzlama ve tam bağlantılı katmanlar hakkında bilgi edindik.
• Görüntü işlemede CNN'lerin avantajlarını ele aldık.

Sonraki adımda, öğrendiklerimizi uygulamak için CNN'leri kullanarak temel bir görüntü sınıflandırma projesi oluşturacağız.