Gömülü Sistem Üzerinde Derin Öğrenme ile Nesne Tespiti

Gömülü sistem üzerinde nesne tespiti yapabilmek gerçek zamanlı işlem sağlanabilmesi adına oldukça önemlidir (Iguernaissi ve ark., 2019). Bu yüzdendir ki gömülü bir nesne tespit sistemi tasarlarken dikkate alınması gereken iki önemli faktör, algoritmaların gerçek zamanlı performansı ve sağlamlığıdır. Senaryo karmaşıklığı nedeniyle, nesne takip algoritmaları hala çeşitli zorluklarla karşı karşıyadır (Zhang ve ark., 1987; Wu ve ark., 2015).

Gömülü sistemin nesne tespiti görevi, algoritmanın gerçek zamanlı ve sağlam olmasını gerektirir. öğrenme ve karmaşık senaryolardaki tespit algoritmasının düşük sağlamlığı gibi sorunları çözmek amacıyla, gömülü sistemler için hızlı ve doğru bir gerçek zamanlı tespit algoritması uygulamak gerekmektedir. (Ji ve ark., 2021).

Şekil 1.1. Uygulamanın Gömülü Sisteme Dayalı Blok Şeması

1.1. Derin Öğrenmeye Genel Bakış

Yapay zeka, özellikle derin öğrenme, son zamanlarda algılama görevlerinde önemli adımlar atarak makinelerin karmaşık verileri daha iyi temsil etmesine ve yorumlamasına olanak tanımaktadır (Kalmet ve ark., 2020). Derin Öğrenme, girdiyi çıktıya eşlemek için matematiksel işlevleri kullanan makine öğreniminin daha da geniş bakarsak yapay zeka alanının bir alt kümesidir. Bu işlevler, girdi ve çıktı arasında bir ilişki oluşturmalarını sağlayan verilerden gereksiz olmayan bilgi veya kalıpları çıkarabilir. Bu öğrenme olarak bilinir ve öğrenme sürecine eğitim denir.

Şekil 1.2. Yapay Zeka Kümelenmesi

Geleneksel bilgisayar programlamada, istenen çıktıyı elde etmek için girdi ve bir dizi kural bir araya getirilir. Makine öğreniminde ve derin öğrenmede, girdi ve çıktı kurallarla ilişkilendirilir. Bu kurallar yeni girdilerle birleştirildiğinde istenen sonuçları verir (Barla, 2021).

Şekil 5.3. Klasik Programlama / Derin Öğrenme

1.2. Yapay Sinir Ağları

Yapay sinir ağları (YSA), bilgisayar sistemleri olarak geliştirilmiştir ve insan beyninin özelliklerinden olan öğrenme yoluyla yeni bilgiler türetebilme, yeni bilgiler oluşturabilme ve keşfedebilme gibi yetenekleri otomatik olarak gerçekleştirmek için tasarlanmışlardır. Beyindeki biyolojik sinir ağlarının yapısını, öğrenme, hatırlama ve genelleme kabiliyetlerini taklit eder (Şengöz, 2017). Yapay sinir ağlarında öğrenme işlemi örnekler kullanılarak gerçekleştirilir. Öğrenme esnasında giriş çıkış bilgileri verilerek, kurallar koyulur. Bu sistemler, insan müdahalesine ihtiyaç duymadan, bağımsız bir şekilde bu yetenekleri kullanabilmeyi hedeflemektedir (Kılıç, 2021).

Sinir ağının insan vücudunda önemli ve anahtar bir rol oynadığı biyoloji konusundan tanıtılmıştır. İnsan vücudunda çalışma, sinir ağı yardımıyla yapılır. Sinir Ağı, sayıları milyonlarca olan birbirine bağlı nöronlardan oluşan bir ağdır. Bu birbirine bağlı nöronların yardımıyla insan vücudunda tüm paralel işlemler yapılır ve insan vücudu Paralel İşlemenin en iyi örneğidir. Bir nöron, bazı elektriksel ve kimyasal değişimlerin yardımıyla bir nörondan diğerine bilgi işleyen özel bir biyolojik hücredir.

Yapay sinir hücreleri de biyolojik sinir hücrelerine benzer yapıdadır. Yapay nöronlar da aralarında bağ kurarak yapay sinir ağlarını oluştururlar. Bu yapı şekil 5.4’te gösterilmiştir. Aynı biyolojik nöronlarda olduğu gibi yapay nöronların da giriş sinyallerini aldıkları, bu sinyalleri toplayıp işledikleri ve çıktıları ilettikleri bölümleri bulunmaktadır.

Yapay sinir ağları, tespit, sınıflandırma, tahmin, kontrol, veri ilişkilendirme, veri filtreleme ve yorumlama gibi birçok alanda kullanılmaktadır. Hangi problemin hangi ağla daha iyi çözülebileceğini belirlemek için ağların özelliklerini ve problemlerin özelliklerini karşılaştırmak gerekmektedir (Yıldırım, 2020).

1.3. Derin Öğrenme Algoritmaları

Veri tahmini modellemesi ve istatistik altında veri odaklı tekniklere dayalı bir veri bilimi unsuru olan çok önemli bir alandır. Böyle bir uyum sağlama, öğrenme ve buna uygun şekilde işlev gösterme gibi insan benzeri bir yetenek için, popüler olarak algoritma olarak adlandırdığımız bazı güçlü unsurlar olmalıdır.

Derin öğrenme algoritmaları, önceden eğitilmiş bir görevi yerine getirmek üzere eğitilen bir dizi karar verme ağının birkaç katmanından geçirilerek dinamik olarak oluşturulur. Daha sonra, her biri basit katmanlı temsillerden geçirilir ve bir sonraki katmana geçer. Ancak, çoğu makine öğrenimi, yüzlerce özellik veya sütunla uğraşan veri kümeleri üzerinde oldukça iyi çalışmak üzere eğitilmiştir (Ülker ve İnik, 2017).

1.3.1. Evrişimsel Sinir Ağları

Evrişimsel sinir ağları (CNN - Convolutional neural networks), girdi olarak bir görüntü alarak, derin öğrenme algoritması olarak görüntüdeki farklı görünüşleri veya nesneleri birbirinden ayırabilen bir yapıdır. Bu tür sinir ağları, temel olarak görüntülerin sınıflandırılması (örneğin, gördüklerinin adlandırılması), benzerliklere göre kümeleme (fotoğraf arama) ve bazı senaryolarda nesneleri tanımlama gibi görevler için kullanılan derin yapay sinir ağlarıdır (Okumuş, 2019).

Şekil 1.5. Evrişimli Sinir Ağı modeli

Derin öğrenme algoritmaları, önceden eğitilmiş bir görevi yerine getirmek üzere eğitilen bir dizi karar verme ağının birkaç katmanından geçirilerek dinamik olarak oluşturulur. Daha sonra, her biri basit katmanlı temsillerden geçirilir ve bir sonraki katmana geçer. Ancak, çoğu makine öğrenimi, yüzlerce özellik veya sütunla uğraşan veri kümeleri üzerinde oldukça iyi çalışmak üzere eğitilmiştir (Karakuş, 2018). Örnek olarak Hopfield ağı modeli ve Kohonen özellik haritası verilebilir. Hopfield modeli, her biri birbirine bağlı sinir hücrelerinden oluşan bir kümeyi içerir. Girdi ve çıktı hücreleri arasında fark gözetilmez (Sezgin ve ark., 2012).

Şekil 1.6. Bir Hopfield ağ modelini güncelleme adımının şemaları

1.3.2. Tekrarlayan Sinir Ağları

Tekrarlayan sinir ağları (Recurrent Neural Network, RNN), yapay sinir ağları sınıfında düğümler arasında yönlendirilmiş bir döngü oluşturan bir modeldir. Bu sayede dinamik zamansal davranışları sergileyebilirler. İleri beslemeli sinir ağlarından farklı olarak, RNN’ler girdilerin ardışık dizilerini işlemek için kendi dahili belleklerini kullanabilirler (Schmidhuber, 1992). Tekrarlayan sinir ağlarının temel amacı ardışık bilgileri işlemektir. Geleneksel sinir ağlarında tüm girişlerin ve çıktıların birbirinden bağımsız olduğu varsayılır. RNN’ler “tekrarlayan” olarak adlandırılır, çünkü her bir dizinin öğesi için aynı görevi tekrarlarlar ve çıktılar önceki hesaplamalara bağlıdır. RNN’leri düşünmenin başka bir yolu, bugüne kadar hesaplanan bilgilerle ilgili “bellek” taşıdıklarıdır. Teorik olarak, RNN’ler keyfi uzunluktaki dizilerdeki bilgileri kullanabilirler, ancak pratikte geriye sadece birkaç adım dönme yetenekleri vardır (Şeker ve ark., 2017).

Şekil 1.7. Tipik Bir RNN Örneği

Tekrarlayan sinir ağları, genellikle dil çevirisi gibi arka arkaya gelen bir dizi yapıda, bir sonraki noktanın tahmin edilmesi işlemini gerçekleştirmek için kullanılır. Bu yapı aşağıdaki şekil 1.8’da gösterilmiştir (Doğan ve Türkoğlu, 2018).

Şekil 1.8. Tekrarlayan Ağ Yapısı (Doğan ve Türkoğlu, 2018)

Kaynakça

Kılıç H., 2023, Gömülü Sistem Üzerinde Makine Öğrenmesi Kullanarak Yere Nüfuz Eden Radar Verisinden Nesne Tespiti, Selçuk Üniversitesi, Fen Bilimleri Enstitüsü, Yüksek LisansTezi, Konya, Türkiye.

R. Iguernaissi, D. Merad, K. Aziz, P. Drap, People tracking in multi-camera systems: a review. Multimed. Tools Appl. 78(8), 10773–10793 (2019). https://doi.org/10.1007/s11042-018-6638-5

H. Zhang, Z. Zhang, L. Zhang, Y. Yang, Q. Kang, D. Sun, Object tracking for a smart city using IoT and edge computing. Sensors. 19(9), 1987 (2019). https://doi.org/10.3390/s19091987

Y. Wu, J. Lim, M.-H. Yang, Object tracking benchmark. IEEE Trans. Pattern Anal. Mach. Intell. 37(9), 1834–1848 (2015). https://doi.org/10.1109/TPAMI.2014.2388226

Ji, Q., Dai C., Hou C., Li X., 2021, Real-time embedded object detection and tracking system in Zynq SoC, EURASIP Journal on Image and Video Processing 21 (2021). https://doi.org/10.1186/s13640-021-00561-7

Kalmet, PHS., Sanduleanu, S., Primakov, S., Wu, G., Jochems, A., Reafaee T., Ibrahim A., Hulst Lv., Lambin, P., Poeze M., 2020, Deep learning in fracture detection: a narrative review, Acta Orthopaedica, 91 (2020) – Issue 2, 215-220.

Barla N., 2021, A Gentle Introduction to Deep Learning—the ELI5 Way [online], v7labs, Bangalore, Hindistan, https://www.v7labs.com/blog/deep-learning-guide, [Ziyaret Tarihi: 07.05.2023].

Şengöz N., 2017, Yapay Sinir Ağları, https://www.derinogrenme.com/2017/03/04/yapay-sinir-aglari/, Türkiye, [Ziyaret Tarihi : 14.05.2023].

Kılıç H., 2021, Yapay Sinir Ağları ile Örüntü Tanıma, https://www.hayrikilic.net/2021/04/27/yapay-sinir-aglari-ile-oruntu-tanima/, Ankara, Türkiye, [Ziyaret Tarihi: 31.05.2023].

Ozturk, V., 2017, Yapay Sinir ağlarının Mimarisi ve Yapı Elemanları [online], Yapay Zeka, Turkey, http://volkanozturk.net/yapay-sinir-aglarinin-mimarisi-ve-yapi-elemanlari/ [Ziyaret Tarihi: 31 Mayıs 2023].

Sharma, V., Rai, S., Dev, A., 2012, A Comprehensive Study of Artificial Neural Networks, International Journal of Advanced Research in Computer Science and Software Engineering, 2, 10, ISSN: 2277 128X.

Yıldırım E., 2020, Yapay Sinir Ağı(Artificial Neural Network) Nedir? [online], Veri Bilimi Okulu, https://www.veribilimiokulu.com/blog/yapay-sinir-agiartificial-neural-network-nedir/, Türkiye, [Ziyatet Tarihi: 1 Haziran 2023].

Okumuş R., 2019, Convolutional Neural Networks (Evrişimsel Sinir Ağları) [online], Medium, https://medium.com/@rabiaokumus96/convolutional-neural-networks-evri%C5%9Fimsel-sinir-a%C4%9Flar%C4%B1-cceb887a2979, [Ziyatet Tarihi: 2 Haziran 2023].

Sezgin N., Tekin R., Çalışkan A., 2012, Örüntü Tanımada Hopfield Ağının Kullanılması, Batman University Journal of Life Sciences, 1 (2) , 257-266.

Karakuş B.A., 2018, Derin Öğrenme Ve Büyük Veri Yaklaşımları İle Metin Analizi, Fırat Üniversitesi, Fen Bilimleri Enstitüsü, Doktora Tezi, Elazığ, Türkiye.

Schmidhuber, J. (1992). Learning complex, extended sequences using the principle of history compression. Neural Computation, 4(2), 234-242.

Şeker, A., Diri, B., & Balık, H. H. (2017). Derin Öğrenme Yöntemleri ve Uygulamaları Hakkında Bir İnceleme. Gazi Mühendislik Bilimleri Dergisi, 3(3), 47-64.

Doğan F., ve Türkoğlu İ., 2019, Derin Öğrenme Modelleri ve Uygulama Alanlarına İlişkin Bir Derleme, DÜMF Mühendislik Dergisi 10:2 (2019) : 409-445, doi: 10.24012/dumf.411130.