İnce Ayarlı Evrişimsel Sinir Ağı
Fine-Tuned Convolutional Neural Network (CNN Fine-Tuning via Transfer Learning) · Ayrıca şöyle bilinir: Fine-tuned CNN, CNN fine-tuning, CNN transfer learning with fine-tuning, adapted convolutional network
Bir Evrişimsel Sinir Ağı'nı (CNN) ince ayarlamak, büyük bir veri kümesi üzerinde -tipik olarak ImageNet- eğitilmiş bir ağ ile başlayıp, modelin öğrendiği görsel özellikleri yeni bir göreve uyarlaması için daha küçük bir hedef veri kümesi üzerinde eğitime devam etmek anlamına gelir. Bu yaklaşım, sıfırdan eğitime kıyasla güçlü bir performans elde etmek için gereken veri ve hesaplama miktarını önemli ölçüde azaltır.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
+5 tane daha
Ne zaman kullanılır
İnce ayarlı CNN'ler, derin bir ağı sıfırdan eğitmek için yeterli olmayan (genellikle on binlerce görüntünün altında) etiketli veri kümesi olduğunda görüntü sınıflandırma, nesne tanıma, tıbbi görüntü analizi ve diğer bilgisayar görüşü görevleri için standart tercihtir. Teknik, özellikle kaynak ve hedef alanlar benzer düşük seviyeli görsel yapıları paylaştığında etkilidir - örneğin doğal fotoğraflardan tıbbi taramalara kadar faydalı bir şekilde aktarım gerçekleşir. Kaynak ve hedef alanlar görüntü istatistikleri açısından (örneğin, 1 boyutlu sinyaller veya oldukça soyut görselleştirmeler) kökten farklıysa, çıkarım hızı önceden eğitilmiş ağırlıkların sunmadığı küçük bir model gerektiriyorsa veya veri kümesi sıfırdan eğitmeyi hesaplama açısından mümkün kılan ve alana özgü başlangıç noktası mevcutsa, ince ayardan kaçının.
Güçlü yönler & sınırlılıklar
- Sıfırdan eğitime göre çok daha az etiketli örnekle rekabetçi doğruluk elde eder.
- Daha Hızlı Yakınsama: önceden eğitilmiş ağırlıklar, hedef optimuma yakın güçlü bir başlangıç noktası sağlar.
- Ana çerçeveler (PyTorch, TensorFlow/Keras) tarafından iyi desteklenir ve önceden eğitilmiş ağırlıklar kolayca bulunur.
- Esnek Mimari: doğruluk/hız ödünleşimlerine bağlı olarak omurga değiştirilebilir (ResNet, EfficientNet, ConvNeXt).
- Veri artırımı ve düzenlileştirme uygulamaları bu ayar için olgun ve iyi belgelenmiştir.
- Kaynak ve hedef alanlar görüntü istatistikleri veya semantikler açısından çok farklı olduğunda performans düşebilir.
- Büyük önceden eğitilmiş omurgalar yüksek bellek ve çıkarım maliyetine sahiptir, bu da kenar cihazlarda yasaklayıcı olabilir.
- Öğrenme oranı, dondurulmuş katman sayısı ve eğitim programının dikkatli seçilmesini gerektirir - kötü seçimler felaket unutma veya yetersiz uyum riskini taşır.
- Yorumlama sınırlıdır: ince ayarlı ağın neden belirli bir tahminde bulunduğunu açıklamak Grad-CAM gibi ek araçlar gerektirir.
SSS
İnce ayar sırasında kaç katmanı dondurmalıyım?
Yaygın bir sezgi, birinci aşamada sınıflandırma başlığı hariç tüm katmanları dondurmak, ardından ikinci aşamada son birkaç evrişimsel bloğu dondurmamaktır. Hedef alanınız kaynağa ne kadar benzerse, yeniden eğitilmesi gereken katman sayısı o kadar az olur. Muhafazakar başlayın ve doğrulama performansı durağanlaşırsa daha fazlasını dondurmayın.
İnce ayar yaparken hangi öğrenme oranını kullanmalıyım?
Genellikle sıfırdan eğitim için kullanacağınızdan 10 ila 100 kat daha küçük - örneğin omurga katmanları için 1e-4 ila 1e-5. Yüksek bir öğrenme oranı kullanmak, önceden eğitilmiş özelliklerin felaket unutulması riskini taşır.
Ne kadar hedef veriye ihtiyacım var?
İnce ayar, ImageNet'e benzer görevler için sınıf başına birkaç yüz görüntü kadar azıyla çalışabilir, ancak daha fazla veri her zaman yardımcı olur. Çok küçük veri kümeleriyle (sınıf başına 100'den az görüntü), güçlü veri artırımı, dropout ve muhtemelen omurgayı dondurmadan özellik çıkarma önerilir.
İnce ayar ile transfer öğrenme aynı şey midir?
Transfer öğrenme, bir görevden elde edilen bilgiyi başka bir görevde yeniden kullanma kavramıdır. İnce ayar, önceden eğitilmiş ağırlıkların hedef görevde güncellendiği (eğitime devam edildiği) bir transfer öğrenme stratejisidir; bunun aksine özellik çıkarma işleminde omurga tamamen dondurulur.
Hangi önceden eğitilmiş omurgayı seçmeliyim?
ResNet-50 ve EfficientNet-B0/B3 güvenilir genel amaçlı başlangıç noktalarıdır. Yeterli hesaplama gücüne sahip doğruluk açısından kritik görevler için ConvNeXt veya EfficientNet-B7 güçlü seçeneklerdir. Hız kısıtlı dağıtım için MobileNetV3 veya EfficientNet-Lite varyantları tercih edilir.
Kaynaklar
- Yosinski, J., Clune, J., Bengio, Y., & Lipson, H. (2014). How transferable are features in deep neural networks? Advances in Neural Information Processing Systems, 27. link ↗
- Tajbakhsh, N., Shin, J. Y., Gurudu, S. R., Hurst, R. T., Kendall, C. B., Gotway, M. B., & Liang, J. (2016). Convolutional neural networks for medical image analysis: Full training or fine tuning? IEEE Transactions on Medical Imaging, 35(5), 1299–1312. DOI: 10.1109/TMI.2016.2535302 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Fine-Tuned Convolutional Neural Network (CNN Fine-Tuning via Transfer Learning). ScholarGate. https://scholargate.app/tr/deep-learning/fine-tuned-convolutional-neural-network
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- İnce Ayarlanmış Tekrarlayan Sinir AğıDerin öğrenme↔ karşılaştır
- İnce Ayarlı Vision TransformerDerin öğrenme↔ karşılaştır
- Görüntü SınıflandırmaDerin öğrenme↔ karşılaştır
- Nesne TespitiDerin öğrenme↔ karşılaştır
- Evrişimli Sinir Ağı ile Transfer ÖğrenmeDerin öğrenme↔ karşılaştır