Projede tanımlanan problem yapay zekâ çalışmaları alanında bir sınıflandırma problemi olarak ifade edilmektedir. Evrişimli yapay sinir ağı kullanımı ile görüntü sınıflandırılması günümüzde pek çok ileri teknolojinin temelinde yatan uygulamadır. Sürücüsüz araç, hastalık tanısı koyma, üretim hattı optimizasyonu, kalite kontrol gibi birçok farklı uygulama alanı olan EYSA ile sınıflandırma uygulaması mimari tasarım süreçlerinin yapay zekâ destekli geliştirilmesinde de önemli bir potansiyel barındırmaktadır.
Bu bağlamda geliştirilen problem uzayının çözümü için geliştirilen.EYSA algoritmasının mimarisi sık kullanılan uygulamalardan örnek alınarak geliştirilmiş ve geliştirme sürecinde optimize edilerek mevcut haline ulaşılmıştır.
EYSA modelinin eğitimi için ilk aşamada yapılacak olan şey eldeki veri seti ile modelin parametrelerini optimize etmesini sağlamak olacaktır, bakınız Şekil 3.4. Eğitim süreci boyunca EYSA modelinde yer alan tüm parametreler imaj veri seti içindeki korelasyonlara göre doğru sınıflandırmayı yapacak şekilde optimize edilecektir. Eğitim süreci sonunda hem doğrulama veri seti hem de test veri setini doğru sınıfta tahmin etmeyi başaracak şekilde faydalı bir model elde edilmiş olacaktır.
EYSA modelinin veri setinden öğrenebilmesi için öncelikle veri seti üzerinde düzenleme amaçlı ön işlemler gerçekleştirilmiş ve veri setinde yer alan imajların her biri bağlı olduğu sınıf ile etiketlenmiştir. Her bir imaj işlem ve parametre sayısının azaltılması için 186 x 186 pikselden 62 x 62 piksele düşürülerek eğitim sürecine girdi olarak sokulmuştur. Eğitim sürecinde 80 farklı duruma ait imaj veri setleri karıştırılarak homojen bir eğitim sağlanmıştır. Her bir pikseldeki sayısal değer siyah beyaz imajlarda 0 ile 255 arasında olduğundan ve bunu 0 ile 1 arasına getirerek normalizasyon yapmak genel olarak EYSA modellerinin başarısını olumlu etkilediğinden tüm veri setindeki tüm imajların tüm piksel değerleri 255 ile bölünmüştür. Veri setindeki tüm imajlar her bir piksellerindeki ton değerini yansıtan 62 x 62 lik matrislere dönüştürülmüş ve veri setinin hazırlanması tamamlanmıştır.
EYSA mimarisi ardı ardına 3 adet evrişim ve ortaklama katmanından meydana gelmektedir. Her evrişim katmanı farklı filtre sayısı ve ebatlarına sahip iken ortaklama katmanlarının filtre ebatları 2 x 2 lik matrisler olarak denenmiştir. 1. evrişim katmanında 128 adet 7 x 7 lik matrise sahip filtre kullanılmış ve aktivasyon fonksiyonu relu olarak uygulanmıştır. 1. evrişim katmanı ardından 1. ortaklama katmanı uygulanmıştır.
2. evrişim katmanı 64 adet 5 x 5 matris ebatlarında filtreye sahip ve aktvasyon fonksiyonu relu olarak uygulanmıştır. 2. evrişim katmanı ardından 2. ortaklama katmanı uygulanmıştır.
3. evrişim katmanı 32 adet 3 x 3 matris ebatlarında filtreye sahip ve aktvasyon fonksiyonu relu olarak uygulanmıştır. 3. evrişim katmanı ardından 3. ortaklama katmanı uygulanmıştır.
3. ortaklama katmanından sonra tüm katmanların tek boyutlu bir vektör haline getirildiği ezme katmanı uygulanmıştır. Ezme katmanı aynı zamanda EYSA’nın bundan sonraki aşaması olan tam bağımlı yapay sinir ağı kısmının girdi katmanını oluşturmaktadır.
Ezme katmanından sonra 512 nörona ve relu aktivasyon fonksiyonuna sahip 1. Tam bapımlı gizli yapay sinir ağı katmanı uygulanmıştır. Bu katmana %50 nöron eksiltme uygulanmıştır. Ardından 2. tam bağımlı gizli yapay sinir ağı katmanı 256 nöron ve relu aktivasyon fonksiyonu ile uygulanmış ve yine %50 nöron eksiltme ile çıkış katmanına ulaşılmıştır.
Çıkış katmanı 80 farklı yapılaşma tipi için 80 adet nöron ve olasılık dağılımı hesabına uygun olarak softmax aktivasyon fonksiyonu ile oluşturulmuştur.
Modelin eğitimi için hata hesaplaması kategorik çapraz entropi (categorical crossentropi) metodu, optimizasyon ve geriye yeyılım algoritması ise adam olarak seçilmiştir. Modelin eğitimi sürecinde başarım oranını izlemek için doğruluk parametresi seçilmiştir. Modelin eğitimi sürecinde eğitim veri seti toplam veri setinin %80 i, doğrulama veri seti ise toplam veri setinin %20 si olarak ayrıştırılmıştır. Modelin eğitimi için imaj veri seti 100 erli imaj paketlerine ayrıştırılarak modele gönderilmiştir. YSA kullanımı ile Derin Öğrenme tekniklerinin geliştirilebileceği çok farklı çerçeve ve kütüphaneler bulunmaktadır. Bunlardan bazıları tablo 3.2 de gösterilmiştir.
Modelin geliştirilmesi sırasında kulanılan kütüphaneler ve çerçeveler şu şekildedir; Numpy, Random, CV2, Time, Datetime gibi veri işleme çerçeveleri ile Tensorflow ve Keras Derin Öğrenme kütüphaneleridir. Bu çerçeve ve kütüphaneler çeşitli geliştiriciler tarafından yapay zekâ ve makine öğrenmesi ile ilgilenen tüm çevreler için ücretsiz olarak erişime açıktır. Özellikle Tensorflow ve Keras kütüphaneleri dünyanın en büyük şirketlerinden biri olan ve kendisini Yapay Zekâ şirketi olarak konumlandıran Google tarafından geliştirilmekte ve sürekli olarak desteklenmektedir.
Modelin eğitimi yaklaşık 60 dakika sürmekte ve 5 tur eğitimi sonunda %99 başarım oranına, %1 hata oranına erişmektedir. Eğitilen toplam parametre sayısı 772.196 adettir.
Comments