Artık Ağ (ResNet)
Residual Network (ResNet) · Ayrıca şöyle bilinir: ResNet, Residual Network, Deep Residual Learning, ResNet-50, ResNet-101, ResNet-152, He-net
ResNet (Residual Network), Kaiming He, Xiangyu Zhang, Shaoqing Ren ve Jian Sun tarafından CVPR 2016'da tanıtılan derin evrişimsel sinir ağı mimarisidir. Bir bloğun girdisini doğrudan çıktısına taşıyan kestirme (atlama) bağlantılar ekleyerek — bloğun görevini tam bir eşleme yerine bir artık düzeltme öğrenmek olarak tanımlayarak — ResNet, daha önce çok derin ağları pratik olmaktan çıkaran kaybolan gradyan bozunumu olmadan yüzlerce hatta binlerce katmanlı ağların eğitimini mümkün kılmıştır. %3,57'lik bir üst-5 hata oranıyla ILSVRC 2015 görüntü tanıma yarışmasını kazanmış ve bilgisayarlı görü alanında en yaygın kullanılan omurga mimarisi olmaya devam etmektedir.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
ResNet, özellikle yüksek doğruluk söz konusu olduğunda ve önceden eğitilmiş bir omurga kabul edilebilirse, görüntü veya video verilerinden güçlü görsel temsiller öğrenmeyi gerektiren herhangi bir görev için uygundur. Standart kullanım durumları arasında görüntü sınıflandırma, nesne tespiti (Faster R-CNN veya YOLO gibi tespitleyicilerin içindeki bir omurga olarak), anlamsal segmentasyon ve transfer öğrenme için özellik çıkarma yer alır. ResNet varyantları (hız için ResNet-18/34; doğruluk için ResNet-50/101/152) hesaplama bütçesine uyacak şekilde seçilebilir. Önceden eğitilmiş ImageNet ağırlıkları kamuya açık olup, küçük görev-spesifik veri kümeleriyle bile (birkaç yüz etiketli görüntü ince ayar ile yeterli olabilir) etkili transfer öğrenmeyi sağlar. Ana varsayım, görevin görüntü tabanlı olduğudur; tablo, sıralı veya metin verileri için, diğer mimariler genellikle tercih edilir.
Güçlü yönler & sınırlılıklar
- Atlama bağlantıları, kaybolan gradyan problemini çözer ve 50-1000+ katmanlı ağların kararlı eğitimini sağlar.
- Geniş bir bilgisayarlı görü kıyaslama yelpazesinde son teknoloji performansı; ILSVRC 2015'i %3,57 üst-5 hata ile kazandı.
- Önceden eğitilmiş ağırlıklar (ImageNet), küçük görev-spesifik veri kümeleriyle bile oldukça etkili transfer öğrenmeye olanak tanır.
- Modüler ve ölçeklenebilir: aynı blok yapısı ResNet-18'den ResNet-1202'ye kadar uzanır, bir hesaplama-doğruluk ödünleşmesi sunar.
- Her büyük derin öğrenme çerçevesinde (PyTorch, TensorFlow/Keras, JAX) yaygın olarak desteklenir, üretim düzeyinde uygulamalar mevcuttur.
- Hafif mimarilere (MobileNet, EfficientNet-B0) kıyasla hesaplama açısından pahalıdır — daha fazla sıkıştırma olmadan kaynak kısıtlı donanımlarda gerçek zamanlı dağıtım için uygun değildir.
- Standart mimari sabit boyutlu görüntüler için tasarlanmıştır; değişken çözünürlüklü veya görüntü dışı girdilere uyum sağlamak ek mühendislik gerektirir.
- Önceden eğitilmiş ağırlıklar ImageNet kategorilerine eğilimlidir; çok farklı alanlara (örneğin, tıbbi görüntüler, uzaktan algılama) aktarım, kapsamlı ince ayar veya alana özgü ön eğitim gerektirebilir.
- Atlama bağlantılarına rağmen, aşırı derin varyantlar (ResNet-1202) hala optimizasyon zorluklarından muzdarip olabilir ve daha sığ muadillerinden daha düşük performans gösterebilir.
SSS
Hangi ResNet varyantını seçmeliyim?
ResNet-18 ve ResNet-34, iki katmanlı temel bloğu kullanır ve gerçek zamanlı veya kaynak kısıtlı ortamlar için yeterince hızlıdır. ResNet-50 en yaygın ödünleşmedir — makul hesaplama ile güçlü doğruluk. ResNet-101 ve ResNet-152, doğruluk birincil endişe olduğunda ve hesaplama bol olduğunda kullanılır. Mobil veya kenar dağıtımı için daha hafif mimarileri (MobileNetV3, EfficientNet-B0) veya budama ile ResNet'i düşünün.
ResNet'i sıfırdan eğitmem gerekir mi?
Nadiren. Önceden eğitilmiş ImageNet ağırlıkları, tüm standart ResNet varyantları için kamuya açık olarak mevcuttur ve transfer öğrenme yoluyla mükemmel bir başlangıç noktası sağlar. Son katmanların (veya tüm ağın küçük bir öğrenme oranında) ince ayarı, hedef alan ImageNet'ten kökten farklı değilse ve çok büyük bir görev-spesifik veri kümesi mevcutsa, genellikle sıfırdan eğitime göre daha iyi performans gösterir.
ResNet neden aynı derinlikteki düz derin ağlardan daha iyi performans gösteriyor?
He ve ark. (2016), düz ağların derinlik arttıkça bir eğitim hatası bozunmasından muzdarip olduğunu — daha fazla katmanın sadece daha yüksek test hatası değil, daha yüksek eğitim hatası ürettiğini, dolayısıyla aşırı uyumun neden olmadığını — gösterdi. Atlama bağlantıları, ağın tam eşlemeler yerine artıkları öğrenmesini sağlar ve kaybolan gradyan çökmesini önleyen bir gradyan yolu sağlar, böylece daha derin ağların ek kapasitelerinden gerçekten yararlanmasını sağlar.
ResNet hala modern mimarilerle rekabetçi mi?
ResNet-50 ve ResNet-101 güçlü temel çizgiler olmaya devam ediyor ve tespit ve segmentasyon işlem hatlarında omurga olarak yaygın şekilde kullanılıyor. Daha yeni mimariler (EfficientNet, Vision Transformer, ConvNeXt), saf sınıflandırmada daha iyi doğruluk-verimlilik ödünleşmeleri elde eder, ancak ResNet genellikle basitliği, kararlılığı ve etrafında inşa edilmiş kanıtlanmış aşağı akış işlem hatlarının büyük gövdesi nedeniyle tercih edilir.
Kaynaklar
- He, K., Zhang, X., Ren, S., & Sun, J. (2016). Deep Residual Learning for Image Recognition. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 770–778. DOI: 10.1109/CVPR.2016.90 ↗
- He, K., Zhang, X., Ren, S., & Sun, J. (2015). Deep Residual Learning for Image Recognition. arXiv:1512.03385. link ↗
- Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning (Ch. 9: Convolutional Networks). MIT Press. ISBN: 978-0-262-03561-3
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Residual Network (ResNet). ScholarGate. https://scholargate.app/tr/deep-learning/resnet
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- YoğunBağlantılı Evrişimsel Ağ (DenseNet)Derin öğrenme↔ karşılaştır
- EfficientNetDerin öğrenme↔ karşılaştır
- Inception Network (GoogLeNet)Derin öğrenme↔ karşılaştır