Evrişimli Sinir Ağı ile Transfer Öğrenme
Transfer Learning with Convolutional Neural Network (Feature Extraction and Fine-Tuning) · Ayrıca şöyle bilinir: TL-CNN, pretrained CNN, CNN fine-tuning, feature-extracting CNN
Evrişimli sinir ağı (CNN) ile transfer öğrenme, büyük bir veri kümesi üzerinde önceden eğitilmiş bir evrişimli sinir ağını yeniden kullanır ve öğrenilmiş özellik dedektörlerini yeni, genellikle daha küçük bir hedef veri kümesine uyarlar. Bu, araştırmacıların sıfırdan bir CNN eğitmek için gereken devasa hesaplama ve veri kaynaklarına sahip olmadan güçlü görüntü tanıma performansı elde etmelerini sağlar.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
+3 tane daha
Ne zaman kullanılır
Görsel tanıma göreviniz (sınıflandırma, tespit, segmentasyon) varsa ve hedef veri kümesi küçük ila orta büyüklükteyse (onlarca ila on binlerce resim), sıfırdan eğitim pratik değilse, CNN ile transfer öğrenmeyi seçin. Özellikle hedef alanın ImageNet benzeri doğal görüntülerle görsel yapı paylaşması durumunda etkilidir; tıbbi görüntüleme, uydu görüntüleri ve endüstriyel denetim bu durumdan faydalanır. Kaynak ve hedef alanlar girdi formatında radikal olarak farklıysa (örneğin, doğal görüntülere benzemeyen ham sensör sinyalleri), hedef veri kümesi sıfırdan aşırı uyum olmadan eğitime yetecek kadar büyükse veya düzenleyici kısıtlamalar özel önceden eğitilmiş ağırlıkların kullanımını yasaklıyorsa bundan kaçının.
Güçlü yönler & sınırlılıklar
- Etiketli eğitim verisi ihtiyacını önemli ölçüde azaltır — yüzlerce resimle güçlü sonuçlar elde edilebilir, milyonlarca resme gerek kalmaz.
- Zengin önceden eğitilmiş özelliklerle başlayarak eğitim süresini ve hesaplama maliyetini azaltır, rastgele ağırlıklarla başlamaya göre daha avantajlıdır.
- Önceden eğitilmiş omurgalar (ResNet, EfficientNet vb.) ücretsiz olarak mevcuttur ve iyi kıyaslanmıştır, bu da uygulama riskini azaltır.
- Geniş bir görsel görev yelpazesinde küçük ila orta büyüklükteki veri kümelerinde sıfırdan eğitime göre tutarlı bir şekilde daha iyi performans gösterir.
- Esnektir: veri hacmine ve alan kaymasına bağlı olarak özellik çıkarma veya tam ince ayar modunda uygulanabilir.
- Grad-CAM gibi yorumlanabilirlik araçları, tahminleri hangi görüntü bölgelerinin yönlendirdiğini görselleştirebilir, bu da güveni ve hata ayıklamayı kolaylaştırır.
- Hedef alan ImageNet'ten önemli ölçüde farklı olduğunda (örneğin, elektron mikroskobu, hiperspektral görüntüleme) performans düşer, dikkatli alan doğrulaması gerektirir.
- Önceden eğitilmiş ağırlıklar kaynak veri kümesindeki yanlılıkları içerebilir ve bu yanlılıklar hedef göreve yayılabilir.
- Hangi katmanların dondurulacağına ve hangi öğrenme oranının kullanılacağına karar vermek deneyim gerektirir; yanlış seçimler felaket unutmaya veya yetersiz uyum sağlamaya yol açar.
- Büyük önceden eğitilmiş modeller (örneğin, EfficientNet-B7) bellek yoğun olabilir ve sınırlı donanımda ince ayar yapmak yavaş olabilir.
- Bazı önceden eğitilmiş modellerin (özellikle ticari olarak eğitilmiş olanların) lisans koşulları dağıtımı kısıtlayabilir.
SSS
Evrişimli tabanı dondurmalı mıyım yoksa tüm katmanları ince ayar yapmalı mıyım?
Veri kümesi boyutuna ve alan benzerliğine bağlıdır. Çok az hedef resim (birkaç yüzün altında) ve benzer bir alan varsa, tüm evrişim katmanlarını dondurun ve yalnızca yeni başlığı eğitin. Daha fazla veri veya daha farklı bir alanla, daha derin katmanları aşamalı olarak dondurun ve küçük bir öğrenme oranıyla (tipik olarak 1e-4 ila 1e-5) ince ayar yapın.
Hangi önceden eğitilmiş omurgayı seçmeliyim?
ResNet-50 sağlam bir genel tabandır. EfficientNet modelleri daha iyi bir doğruluk-hesaplama dengesi sunar. İnce uzamsal detay gerektiren görevler için DenseNet veya U-Net tarzı omurgalar iyi çalışır. Karmaşıklığı veri kümesi boyutunuza uydurun — daha büyük modeller çok az eğitim resimleriyle aşırı uyum riski taşır.
Hedef alanım doğal fotoğraflardan çok farklı görünüyor. Transfer öğrenme hala yardımcı olacak mı?
Genellikle evet, ancak faydası daha azdır. Erken evrişim katmanları geniş ölçüde genelleştirilen kenarları ve dokuları yakalar. Sıfırdan bir taban çizgisi ile ince ayarlanmış modelin performansını karşılaştırarak doğrulayın; eğer fark küçükse, alana özgü ön eğitim (örneğin, tıbbi görüntüler üzerinde önceden eğitilmiş bir model) tercih edilebilir.
Ne kadar hedef veriye ihtiyacım var?
Transfer öğrenme, hedef etiketli verinin az olduğu durumlarda en değerlidir. Sınıf başına yalnızca 50-100 resimle, önceden eğitilmiş bir omurganın ince ayarı genellikle 10 kat daha fazla veriye sahip sıfırdan eğitime göre daha iyi performans gösterir. Binlerce etiketli resimle, fark daralır ve diğer mimari seçimler daha önemli hale gelir.
Modelin ne öğrendiğini teknik olmayan bir kitleye nasıl açıklayabilirim?
Her bir tahminin hangi pikseller tarafından yönlendirildiğini gösteren ısı haritaları oluşturmak için görüntüler üzerinde Grad-CAM veya SHAP kullanın. Bu görselleştirmeler, paydaşların modelin rastgele artefaktlar yerine klinik veya bilimsel olarak anlamlı bölgelere odaklandığını doğrulamasına yardımcı olur.
Kaynaklar
- Pan, S. J., & Yang, Q. (2010). A Survey on Transfer Learning. IEEE Transactions on Knowledge and Data Engineering, 22(10), 1345–1359. DOI: 10.1109/TKDE.2009.191 ↗
- Yosinski, J., Clune, J., Bengio, Y., & Lipson, H. (2014). How transferable are features in deep neural networks? Advances in Neural Information Processing Systems (NeurIPS), 27, 3320–3328. link ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Transfer Learning with Convolutional Neural Network (Feature Extraction and Fine-Tuning). ScholarGate. https://scholargate.app/tr/deep-learning/transfer-learning-with-convolutional-neural-network
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- İnce Ayarlı Evrişimsel Sinir AğıDerin öğrenme↔ karşılaştır
- Görüntü SınıflandırmaDerin öğrenme↔ karşılaştır
- Nesne TespitiDerin öğrenme↔ karşılaştır
- Semantik SegmentasyonDerin öğrenme↔ karşılaştır