Transfer Learning ile Görüntü Sınıflandırma
Transfer Learning with Pretrained Deep Neural Networks for Image Classification · Ayrıca şöyle bilinir: pretrained CNN image classification, fine-tuned image classifier, domain-adapted image classifier, TL-IC
Transfer Learning ile Görüntü Sınıflandırma, genellikle CNN veya Vision Transformer gibi derin bir sinir ağı omurgasını ImageNet gibi büyük bir veri kümesinde önceden eğitilmiş olarak yeniden kullanır ve yeni bir hedef alandaki görüntüleri sınıflandırmak için uyarlar. Kaynak görevden genel görsel özellikleri miras alarak, yaklaşım sıfırdan eğitime göre çok daha az etiketli görüntüyle yüksek doğruluk elde eder.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Etiketli hedef görüntülerin az olduğu (tipik olarak sınıf başına on binin altında, hatta sadece onlarca ila yüzlerce görüntü), hesaplama gücünün sınırlı olduğu veya sıfırdan eğitimin mümkün olmadığı durumlarda görüntü sınıflandırması için transfer öğrenimi kullanın. Kaynak ve hedef alanlar görsel özellikleri paylaştığında özellikle etkilidir - doğal görüntüler, tıbbi taramalar, uydu görüntüleri. Hedef görüntüler önceden eğitilmiş alandan aşırı derecede farklı olduğunda (örneğin, soyut bilimsel diyagramlar vs. fotoğrafik ImageNet sahneleri) kullanmayın; bu gibi durumlarda, önce alan özel veriler üzerinde ön eğitimi sürdürmek tavsiye edilir. Sınıf dağılımları farklı olduğundan, önceden eğitilmiş modeli herhangi bir ince ayar yapmadan doğrudan kullanma olarak ele almaktan kaçının.
Güçlü yönler & sınırlılıklar
- Sıfırdan eğitime kıyasla gereken etiketli veri miktarını önemli ölçüde azaltır.
- Önceden eğitilmiş ağırlıklardan sıcak başlangıç sayesinde daha hızlı yakınsar ve daha iyi minimumlara ulaşır.
- Genel düşük seviyeli özellikler, çok çeşitli görsel alanlarda iyi aktarılır.
- Düzgün ince ayar yapıldığında küçük veri kümelerinde bile en son teknoloji sınıflandırma doğruluğunu elde eder.
- Vision Transformer'lar dahil olmak üzere neredeyse tüm modern omurga mimarileriyle uyumludur.
- Veri artırımı ve önceden eğitilmiş ağırlık düzenlileştirmesi, aşırı uyumu azaltmak için sinerjik olarak çalışır.
- Kaynak ve hedef alanlar oldukça farklı olduğunda negatif transfer meydana gelebilir, bu da performansı sıfırdan eğitime göre düşürür.
- Hedef alan bilgisine bağlı kararlar olan uygun bir omurga seçmeyi ve hangi katmanların dondurulacağını ayarlamayı gerektirir.
- Önceden eğitilmiş omurgalar, kaynak veri kümesinden gelen yanlılıkları kodlayabilir ve bu yanlılıklar hedef göreve yayılabilir.
- Büyük omurga modelleri (örneğin, ViT-L), önemli GPU belleği ve çıkarım gecikmesi gerektirir.
SSS
Transfer öğreniminin çalışması için kaç etiketli görüntüye ihtiyacım var?
Transfer öğrenimi, kaynak ve hedef alanlar görsel yapıyı paylaştığı sürece, sınıf başına yalnızca birkaç düzineden birkaç yüze kadar az görüntüyle etkili olabilir. Sınıf başına ~50'den az görüntü için, çoğu omurga katmanını dondurmak ve güçlü veri artırımı uygulamak esastır.
Tüm ağı mı yoksa yalnızca başlığı mı ince ayar yapmalıyım?
Çok küçük veri kümeleri veya yüksek derecede benzer alanlar için, yalnızca başlığı eğitmek daha güvenli ve daha hızlıdır. Daha büyük hedef veri kümeleri veya daha fazla alan kayması için, küçük bir öğrenme oranıyla daha derin omurga katmanlarını aşamalı olarak çözmek ve ince ayar yapmak genellikle doğruluğu artırır.
Hangi önceden eğitilmiş omurgayı seçmeliyim?
ResNet-50 ve EfficientNet-B0'dan B4'e kadar, iyi incelenmiş aktarım özelliklerine sahip güçlü genel amaçlı başlangıç noktalarıdır. Hedef alan ImageNet'e çok benziyorsa, bunlar kutudan çıktığı gibi iyi çalışır. Tıbbi veya uzaktan algılama görüntüleri için, alan özel önceden eğitilmiş modeller (örneğin, MedImageNet önceden eğitilmiş ağırlıkları) aktarımı daha da iyileştirir.
Negatif transfer nedir ve ne zaman olur?
Negatif transfer, kaynak ve hedef alanlar çok farklı olduğu için önceden eğitilmiş özelliklerin hedef görevde performansı aktif olarak zarar verdiği zaman meydana gelir. Belirtiler arasında rastgele başlatılmış bir tabanın altında ince ayarlanmış performans yer alır. Çözüm, alan olarak daha yakın bir önceden eğitilmiş model kullanmak veya ince ayardan önce etiketlenmemiş hedef görüntüler üzerinde ön eğitimi genişletmektir.
Bir araştırma makalesinde transfer öğrenimini nasıl gerekçelendirebilirim?
Omurga adı, kaynak veri kümesi ve ön eğitim protokolünü bildirin. Hangi katmanların dondurulduğunu ve hangilerinin ince ayar yapıldığını, öğrenme oranı programını, artırım stratejisini ve doğrulama prosedürünü belirtin. Faydayı ölçmek için sıfırdan bir tabana karşı karşılaştırın ve kaynak veri kümesindeki bilinen herhangi bir yanlılığı açıklayın.
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 ↗
- Krizhevsky, A., Sutskever, I., & Hinton, G. E. (2012). ImageNet classification with deep convolutional neural networks. Advances in Neural Information Processing Systems, 25. link ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Transfer Learning with Pretrained Deep Neural Networks for Image Classification. ScholarGate. https://scholargate.app/tr/deep-learning/transfer-learning-with-image-classification
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
- İnce Ayarlı Vision TransformerDerin öğrenme↔ karşılaştır
- Görüntü SınıflandırmaDerin öğrenme↔ karşılaştır
- Nesne Tespiti için Transfer ÖğrenmesiDerin öğrenme↔ karşılaştır