MobilNet: Mobil Görüş İçin Verimli Evrişimsel Sinir Ağları
MobileNet (Efficient Mobile CNN) · Ayrıca şöyle bilinir: MobileNets, Depthwise Separable CNN, Efficient Mobile Vision Network, Mobil Evrişimli Sinir Ağı
MobileNet, 2017 yılında Google'da Howard ve arkadaşları tarafından tanıtılan hafif evrişimsel sinir ağı mimarileri ailesidir. Sınırlı hesaplama bütçelerine sahip mobil cihazlarda ve gömülü sistemlerde doğrudan görüntü sınıflandırma, nesne algılama ve diğer görüş görevlerini çalıştırmak üzere tasarlanmıştır. Standart evrişimleri derinlemesine ayrıştırılmış evrişimlerle değiştirerek ve iki küresel hiperparametre sunarak MobileNet, rekabetçi doğruluğu korurken çarpma-toplama işlemlerini ve model boyutunu önemli ölçüde azaltır.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Görüntü modellerini akıllı telefonlarda, IoT cihazlarında veya bellek ayak izi, gecikme süresi veya enerji tüketiminin kısıtlı olduğu herhangi bir donanımda dağıtırken MobileNet'i kullanın. Görüntü sınıflandırma, yüz algılama, yerel nokta tanıma ve gerçek zamanlı nesne algılama işlem hatları için uygundur. Girdi verilerinin doğal görüntüler olduğunu ve daha ağır mimarilere kıyasla bir miktar doğruluk kaybının kabul edilebilir olduğunu varsayın. Hesaplama bütçesi kısıtlanmamışsa, ResNet veya EfficientNet gibi daha derin ağları tercih edin. Yalnızca çok küçük bir model gerekiyorsa, daha fazla sıkıştırılmış varyantları veya bilgi damıtmayı düşünün.
Güçlü yönler & sınırlılıklar
- Benzer derinlikteki standart CNN'lere kıyasla çarpma-toplama işlemlerinde önemli ölçüde azalma, mobil CPU'larda gerçek zamanlı çıkarım olanağı sağlar.
- İki küresel hiperparametre (genişlik ve çözünürlük çarpanı), mimari arama olmadan doğruluk-gecikme takası üzerinde ince ayarlı kontrol sağlar.
- Küçük model boyutu, bellek bant genişliği gereksinimlerini azaltır ve kablosuz dağıtımı uç cihazlarda pratik hale getirir.
- Standart eğitim işlem hatları ve aktarım öğrenmesi ile uyumludur; ImageNet görevleri için yaygın olarak önceden eğitilmiş ağırlıklar mevcuttur.
- Tam boyutlu evrişimsel ağlara karşı doğruluk farkı, çok küçük genişlik çarpanı değerlerinde artar, bu da yüksek hassasiyet gerektiren görevlere uygulanabilirliği sınırlar.
- Derinlemesine ayrıştırılmış evrişimler, bazı GPU donanımlarında standart evrişimlere kıyasla daha az verimli bir şekilde paralelleştirilir, bu da teorik FLOP tasarruflarını kısmen telafi eder.
- Orijinal MobileNet v1, atlama bağlantılarına sahip değildir, bu da daha sonraki sürümlerde tanıtılan artık iyileştirmeler olmadan çok derin yığınlamayı optimizasyon zorluklarına yatkın hale getirir.
- Zengin, yüksek çözünürlüklü özellik haritaları gerektiren görevlerde (örneğin, ince taneli dokularda yoğun segmentasyon gibi) performans, mimari değişiklikler olmadan yetersiz olabilir.
SSS
MobileNet standart bir CNN'den nasıl farklıdır?
Standart bir evrişim, tüm girdi kanallarına aynı anda tek bir filtre uygular ve uzamsal ve kanal boyutlarını tek bir adımda karıştırır. MobileNet bunu, her kanalı ayrı ayrı filtreleyen bir derinlemesine evrişim ve 1x1 filtrelerle kanalları karıştıran bir noktasal evrişim olarak böler. Bu faktörleştirme, temsil kapasitesinin çoğunu korurken 3x3 filtreler için hesaplamayı kabaca sekiz kat azaltır.
Yeni bir proje için hangi MobileNet sürümünü kullanmalıyım?
MobileNetV3, V2'nin ters artıklarını sinir mimarisi arama ile optimize edilmiş katman yapılandırmaları ve sert-swish aktivasyonları ile birleştirdiği, V1'den daha iyi FLOP başına doğruluk elde ettiği için genellikle yeni projeler için önerilir. V1'i yalnızca V2 veya V3 operatörlerini desteklemeyen eski çıkarım çalışma zamanlarıyla maksimum uyumluluk gerektiriyorsanız kullanın.
MobileNet görüntü sınıflandırma dışındaki görevler için kullanılabilir mi?
Evet. MobileNet, SSD-MobileNet gibi nesne algılama işlem hatlarında ve MobileNet-DeepLab gibi anlamsal segmentasyon modellerinde sıklıkla omurga olarak kullanılır. Hafif özellik çıkarıcısı ayrıca poz tahmini, yüz tanıma ve optik akış tahmini gibi alanlarda da uygulanır. Genişlik ve çözünürlük çarpanları, omurganın her bir alt görev için gecikme bütçesine göre ayarlanmasına olanak tanır.
Kaynaklar
- Howard, A. G., et al. (2017). MobileNets: Efficient convolutional neural networks for mobile vision applications. arXiv preprint. link ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 2). MobileNet (Efficient Mobile CNN). ScholarGate. https://scholargate.app/tr/deep-learning/mobilenet
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- EfficientNetDerin öğrenme↔ karşılaştır
- Bilgi DamıtmaDerin öğrenme↔ karşılaştır