Nesne Tespiti için Transfer Öğrenmesi
Transfer Learning Applied to Object Detection · Ayrıca şöyle bilinir: pretrained object detector, fine-tuned object detection, TL-OD, domain-adapted object detection
Nesne tespiti için transfer öğrenmesi, büyük bir görüntü veri kümesi üzerinde önceden eğitilmiş derin bir sinir ağı ile başlar — genellikle omurga için ImageNet veya tam dedektör için COCO — ve onu yeni bir alandaki nesneleri tespit etmek için uyarlar. Öğrenilmiş görsel temsilleri yeniden kullanarak, sıfırdan eğitime kıyasla çok daha az etiketlenmiş görüntüyle güçlü tespit doğruluğu 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
Görüntülerde nesneleri bulmanız ve sınıflandırmanız gerektiğinde ancak sıfırdan eğitime kıyasla daha az etiketlenmiş örneğiniz olduğunda (genellikle sınıf başına birkaç bin sınırlayıcı kutunun altında) nesne tespiti için transfer öğrenmesini kullanın. Uygulamalı CV araştırmaları, tıbbi görüntüleme (patoloji slaytları, röntgen bulguları), uydu uzaktan algılama, endüstriyel denetim ve etiketlemenin pahalı olduğu herhangi bir alanda standart yaklaşımdır. Hedef alan kaynak alandan görsel olarak o kadar farklıysa ki önceden eğitilmiş özellikler aktarılmazsa (örneğin, sıra dışı istatistiklere sahip fotoğrafik olmayan mikroskopi); bu gibi durumlarda alan uyarlamalı yaklaşımlar veya alanlara özgü büyük veri kümelerinde sıfırdan eğitim daha iyi performans gösterebilir. Ayrıca, tespit mantığının yorumlanabilirliği öncelikliyse ve kara kutu bir model kabul edilemezse kaçının.
Güçlü yönler & sınırlılıklar
- Sıfırdan eğitime kıyasla gereken etiketlenmiş hedef veri miktarını önemli ölçüde azaltır.
- Düşük seviyeli görsel özellikler zaten öğrenildiği için daha hızlı yakınsama ve daha kısa eğitim süresi.
- Sınırlı hedef etiketlerle bile güçlü temel performans, nadir olay tespiti için pratik hale getirir.
- Esnek uyum stratejisi: çok küçük veri kümeleri için omurgayı dondurun; daha fazla veri mevcut olduğunda tüm katmanları ince ayar yapın.
- Açıkça yayınlanan büyük önceden eğitilmiş kontrol noktaları (COCO, Open Images, ImageNet-21k) ekosistemi tarafından desteklenir.
- Tüm büyük tespit mimarileriyle uyumludur — iki aşamalı (Faster R-CNN), tek aşamalı (YOLO, SSD) ve transformer tabanlı (DETR).
- Kaynak ve hedef arasındaki görsel alan boşluğu büyük olduğunda (örneğin, termal veya derinlik görüntülerine uygulanan RGB önceden eğitilmiş omurga) performans düşer.
- Önceden eğitilmiş sınıf kelime dağarcıkları hedef kategorilerle uyumlu olmayabilir, bu da dikkatli başlık yeniden tasarımı gerektirir.
- Kaynak alan bilgisi hedef alan desenleriyle aktif olarak çelişirse olumsuz transfer riski.
- Küçük bir veri kümesinde birçok omurga katmanını ince ayar yapmak hala aşırı uyuma neden olabilir, dikkatli düzenleme gerektirir.
- Büyük omurga modellerinin hesaplama maliyeti, damıtma veya budama olmadan kenar dağıtımı için engelleyici olabilir.
SSS
Hangi önceden eğitilmiş kontrol noktasından başlamalıyım?
Hedef alan doğal fotoğraflara yakınsa, COCO ile önceden eğitilmiş bir dedektör (örneğin, ResNet-50 veya YOLOv8 ile Faster R-CNN) genellikle en iyi başlangıç noktasıdır. Çok farklı alanlar için, yalnızca ImageNet ile önceden eğitilmiş omurgayı veya varsa alanlara özgü bir kontrol noktasını düşünün.
İnce ayar için kaç tane etiketlenmiş görüntüye ihtiyacım var?
Kesin bir kural yok, ancak alan boşluğu küçükse ve güçlü bir önceden eğitilmiş dedektör kullanılıyorsa, sınıf başına 100-500 etiketlenmiş örnek bile makul sonuçlar verebilir. Daha fazla etiketleme mAP'yi önemli ölçüde iyileştirir; sınıf başına yaklaşık 50 örneğin altında, veri artırımı veya az sayıda örnekle tespit tekniklerini düşünün.
Omurgayı dondurmalı mıyım yoksa ince ayar mı yapmalıyım?
Aşırı uyumu önlemek için etiketlemeler çok az olduğunda (toplam ~200 görüntüden az) omurgayı dondurun. Alan boşluğu büyükse veya yeterli veriniz varsa daha derin omurga katmanlarını ince ayar yapın. Yaygın bir strateji, önce başlığı birkaç epok boyunca eğitmek, ardından daha düşük bir öğrenme oranıyla çözüp ince ayar yapmaktır.
Transferin gerçekten yardımcı olup olmadığını nasıl ölçerim?
Hedef veriler üzerinde rastgele başlatmadan karşılaştırılabilir bir model eğitin ve mAP eğrilerini karşılaştırın. Transfer öğrenmesi, daha az epok ve daha az veriyle daha yüksek mAP vermelidir. Sıfırdan temel model eşleşirse veya ince ayarı geçerse, alan boşluğu çok büyük olabilir veya hedef veri kümesi sıfırdan eğitime yetecek kadar büyük olabilir.
Kenar cihazlarda gerçek zamanlı tespit için transfer öğrenmesini kullanabilir miyim?
Evet, ancak ResNet-50 veya daha büyük modeller yerine hafif bir omurga seçin (örneğin, MobileNet, EfficientDet-D0, YOLOv8n). İnce ayardan sonra, gecikmeyi daha da azaltmak için eğitim sonrası niceleme veya bilgi damıtma uygulayın. Önceden eğitilmiş hafif kontrol noktaları yaygın olarak mevcuttur.
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 ↗
- Ren, S., He, K., Girshick, R., & Sun, J. (2015). Faster R-CNN: Towards real-time object detection with region proposal networks. Advances in Neural Information Processing Systems (NeurIPS), 28. link ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Transfer Learning Applied to Object Detection. ScholarGate. https://scholargate.app/tr/deep-learning/transfer-learning-with-object-detection
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
- Nesne TespitiDerin öğrenme↔ karşılaştır
- Transfer Learning ile Görüntü SınıflandırmaDerin öğrenme↔ karşılaştır