İçeriğe geç
parazade
Yapay Zeka

VGG Nedir?

İngilizce: VGGNet

Yayın: · Son güncelleme:

VGG Nedir? Kısaca

VGG (VGGNet), Oxford Üniversitesi'ndeki Visual Geometry Group'un 2014'te geliştirdiği, art arda dizilmiş küçük 3×3 evrişim filtrelerinden oluşan sade ve derin bir evrişimli sinir ağı mimarisidir. En bilinen sürümleri VGG16 ve VGG19'dur.

VGG nedir?
İçindekiler
  1. VGG nedir?
  2. Nasıl çalışır?
  3. VGG16 ve VGG19
  4. Nerelerde kullanılır?
  5. Nelere dikkat etmeli?

VGG nedir?

VGG, adını Oxford Üniversitesi'ndeki Visual Geometry Group araştırma grubundan alan bir evrişimli sinir ağı mimarisidir. Karen Simonyan ve Andrew Zisserman'ın 2014'te yayımladığı çalışmada tanıtıldı ve aynı yılki ImageNet yarışmasında öne çıkan modellerden biri oldu. Basit ve tekdüze tasarımı sayesinde kısa sürede araştırmacıların en çok kullandığı modellerden biri hâline geldi.

Nasıl çalışır?

VGG'nin temel fikri şudur: Büyük filtreler yerine küçük 3×3 filtreleri art arda dizmek.

  • Ağ, birkaç evrişim katmanından oluşan bloklara ayrılır.
  • Her bloğun sonunda bir havuzlama katmanı, görüntünün boyutunu yarıya indirir.
  • Derinlere inildikçe filtre sayısı artar (ör. 64, 128, 256, 512).
  • En sonda tam bağlantılı katmanlar ve softmax ile sınıflandırma yapılır.

İki ardışık 3×3 evrişim, tek bir 5×5 evrişimle aynı alanı görür ama daha az parametre kullanır ve araya ek bir doğrusal olmayan aktivasyon ekler.

VGG16 ve VGG19

Sürüm Ağırlıklı katman sayısı
VGG16 16 (13 evrişim + 3 tam bağlantılı)
VGG19 19 (16 evrişim + 3 tam bağlantılı)

Nerelerde kullanılır?

  • Transfer öğrenmesi için hazır eğitilmiş özellik çıkarıcı olarak
  • Stil transferi gibi uygulamalarda görüntü özelliklerini karşılaştırmak için
  • Derin öğrenme eğitimlerinde öğretici bir örnek olarak

Nelere dikkat etmeli?

VGG oldukça büyük bir modeldir; VGG16'nın yaklaşık 138 milyon parametresi vardır ve bunların çoğu son tam bağlantılı katmanlardadır. Bu yüzden bellek ve hesaplama açısından pahalıdır. Daha derin olmasına rağmen artık bağlantı içermediği için ResNet gibi sonraki mimariler, hem daha iyi doğruluk hem de daha verimli eğitim sundu.

Sıkça Sorulan Sorular

VGG16 ile VGG19 arasındaki fark nedir?

Aralarındaki fark derinliktir: VGG19'da üç evrişim katmanı daha bulunur. Genel mimari aynıdır; VGG19 biraz daha fazla hesaplama gerektirir.

VGG bugün hâlâ kullanılıyor mu?

Yeni projelerde daha verimli mimariler genellikle tercih edilir. Ancak sade yapısı nedeniyle öğretimde, stil transferinde ve bazı transfer öğrenmesi uygulamalarında hâlâ kullanılır.

İlgili terimler

Evrişimli Sinir Ağı(Convolutional Neural Network)Evrişimli sinir ağı (CNN), görüntü gibi ızgara yapılı verilerde küçük filtreleri veri üzerinde kaydırarak kenar, doku ve şekil gibi özellikleri katman katman öğrenen bir derin öğrenme mimarisidir.ResNetResNet (Residual Network, artık ağ), katmanların girdisini kısa yoldan çıktısına ekleyen artık bağlantılar kullanan bir evrişimli sinir ağı mimarisidir. Bu basit fikir, çok derin ağların kararlı biçimde eğitilmesini sağladı ve görüntü tanımada bir dönüm noktası oldu.AlexNetAlexNet, Alex Krizhevsky, Ilya Sutskever ve Geoffrey Hinton'ın geliştirdiği ve 2012 ImageNet görüntü sınıflandırma yarışmasını rakiplerinin belirgin biçimde önünde kazanan evrişimli sinir ağıdır. Derin öğrenmenin bilgisayarlı görüde yaygınlaşmasının başlangıcı kabul edilir.Transfer Öğrenmesi(Transfer Learning)Transfer öğrenmesi, bir görev için eğitilmiş bir modelin öğrendiği bilgiyi başka ama ilişkili bir göreve aktararak, yeni görevi daha az veri ve işlem gücüyle öğrenmesini sağlayan yöntemdir.Evrişim(Convolution)Evrişim (convolution), küçük bir filtrenin bir görüntü ya da sinyal üzerinde kaydırılarak her konumda çarpım ve toplama yapıldığı matematiksel işlemdir. Derin öğrenmede kenar, doku ve şekil gibi yerel desenleri yakalamak için evrişimli sinir ağlarının temelini oluşturur.Özellik(Feature)Özellik (feature), makine öğrenmesinde her bir örneği tanımlayan ve modelin tahmin yaparken girdi olarak kullandığı ölçülebilir nitelik ya da değişkendir. Örneğin ev fiyatı tahmininde metrekare, oda sayısı ve konum birer özelliktir.