• Buradasın

    PyTorch ile Göğüs Ekstraksiyon Görüntülerinde Sınıflandırma Eğitimi

    youtube.com/watch?v=9HBS8UUIKx4

    Yapay zekadan makale özeti

    • Bu video, bir eğitmen tarafından sunulan derin öğrenme ve makine öğrenimi eğitim içeriğidir. Eğitmen, PyTorch kütüphanesi kullanarak göğüs ekstraksiyon görüntülerinde iki sınıflı bir sınıflandırma ağının nasıl oluşturulacağını adım adım göstermektedir.
    • Video, sınıflandırma kavramının temel açıklamasıyla başlayıp, Google Colab platformunda PyTorch, torchvision, numpy, pandas gibi kütüphanelerin kullanımı, veri setinin hazırlanması, eğitim ve test verilerinin ayrılması, veri dengesizliğinin incelenmesi ve transfer learning ile sınıflandırma ağlarının oluşturulması konularını kapsamaktadır. Ayrıca, AlexNet ve DenseNet gibi farklı sınıflandırma ağlarının karşılaştırılması ve eğitim sürecinin nasıl başlatılacağı da anlatılmaktadır.
    • Eğitim sürecinde kullanılan metrikler (accuracy, Cohen's kappa skoru, classification report), optimizer'ların seçimi, parametrelerin ayarlanması, veri normalleştirme yöntemleri ve CNN modellerinin kullanımı gibi teknik detaylar da ele alınmaktadır. Video, bir sonraki bölümde performans metrikleri ve karmaşıklık matrisi hakkında daha detaylı bilgi verileceğini belirterek sona ermektedir.
    00:07PyTorch ile Sınıflandırma Ağları
    • Bu videoda PyTorch ile chest extray görüntülerinde iki sınıflı bir sınıflandırma yapımı gösterilecek.
    • Kullanıcılar özel veri setlerine göre sınıflandırmayı çoğaltabilir, veriyi değiştirebilir veya sınıf sayısını artırabilir.
    • Google Colab kullanılarak GPU desteği sağlanacak ve paylaşılan link ile kullanıcılar da sınıflandırma ağlarını çalıştırabilirler.
    01:18PyTorch ve Tensorflow Karşılaştırması
    • PyTorch, TensorFlow'a göre biraz daha zahmetli olmasına rağmen, TensorFlow'dan daha kolay kurulmaktadır.
    • TensorFlow GPU kurulumu QDNN açısından daha zor olabilir çünkü farklı versiyonları arasında uyumluluk sorunları yaşanabilir.
    • PyTorch ile sınıflandırma yapılıyor, TensorFlow ile sınıflandırma işleminin de bir başka videoda gösterileceği belirtiliyor.
    02:36Sınıflandırma ve CNN Ağları
    • Sınıflandırma, makine öğreniminde var olan bir nesneye, görüntüye veya veriye bir sınıf ataması yapma mantığına dayanır.
    • Evrişimsel sinir ağları (CNN), derin öğrenmede özellikle görüntüsel verilerde sık kullanılan sinir ağlarından biridir.
    • Video içinde daha önceden eğitilmiş ImageNet verilerine dayanan transfer learning ile eğitilmiş ağlar kullanılacak.
    04:49Google Colab ve Kütüphaneler
    • Google Colab'da çalışma zamanı türü kontrol edilebilir ve GPU kullanımı doğrulanabilir.
    • PyTorch, Facebook'un AI araştırma ekibi tarafından geliştirilen, derin öğrenmede sık kullanılan bir makine öğrenimi kütüphanesidir.
    • Numpy, Pandas, Matplotlib gibi veri bilimi ve derin öğrenme için sık kullanılan kütüphaneler PyTorch ile birlikte kullanılır.
    08:26Doğruluk Metrikleri
    • Confusion matrix, F1 skoru ve Cohen's Kappa skoru gibi doğruluk metrikleri eğitim sırasında kullanılacaktır.
    • F1 skoru, sınıflandırma doğruluk skorunu döndüren bir parametredir.
    • Cohen's Kappa skoru, verinin ne kadar iyi eğitildiğini değerlendirmek için kullanılan bir doğruluk parametresidir.
    10:25Veri Seti Hazırlama ve Sınıflandırma
    • Veri seti, "My Drive" klasörüne kopyalanarak "train" ve "test" klasörlerine ayrılır.
    • Sınıflandırma için klasörlerin isimleri etiket olarak kullanılır ve sinir ağı bu klasörlerdeki tüm görüntüleri o etikete yapıştırır.
    • Veri seti dağılımında zatürre verisi normal veriden çok daha fazla olduğu için dengesizlik problemi yaşanmaktadır.
    12:28Veri Ön İşleme ve Görselleştirme
    • Veri görselleştirme için dağılım grafikleri kullanılır ve veri setindeki dengesizlik görülebilir.
    • Eğitim verisi %93 zatürre, %7 normal olarak dağılmakta iken, test verisi daha dengeli bir dağılıma sahiptir.
    • Veri normalizasyonu için ImageNet verisinden ağırlıklar kullanılarak transfer learning sağlanır.
    14:31Veri Dönüşümleri ve Eğitim Test Ayrımı
    • Veri dönüşümleri için transforms kullanılır ve görüntü boyutu 224x224 piksel olarak indirgenir.
    • Eğitim ve test verisi %70-%30 veya %80-%20 gibi oranlarda ayrılır.
    • Eğitim örnekleri görselleştirilir ve imshow fonksiyonu ile görüntülenir.
    17:03CNN Modeli Oluşturma
    • CNN modelleri torch.models kütüphanesi veya torch.hub üzerinden çekilebilir.
    • AlexNet gibi modellerin mimarileri görülebilir ve model yüklenebilir.
    • Model eğitimi için Adam optimizasyonu kullanılabilir ve dropout gibi yöntemler modelde yer alır.
    20:43Eğitim Modeli ve Parametreler
    • Eğitim modelinde model, kritasyon (cross entropilos), optimizeer ve number epos parametreleri kullanılır.
    • Fonksiyon, verilen parametrelere göre çalıştırılır ve ilgili lostiyerlerin ve kapla skorların update edilmesi uzun fonksiyonlarda gerçekleştirilir.
    • Modeli çalıştırmak için modeli cuda yapmak (model.nokta cuda) gerekebilir, bu hata çözme yöntemi olarak önerilmiştir.
    22:34Model Seçimi ve Katman Sayısı
    • AlexNet, Densenet gibi birçok sınıflandırma modeli kullanılabilir ve Densenet genellikle diğer modellerden daha iyi çalışmaktadır.
    • Densenet'in farklı katmanlı yapıları (121, 169, 201 ve 161) vardır ve katman sayısı artması feature'ların iyileşmesi anlamına gelmez.
    • Çok fazla derinliğe boğıldığınızda feature'ların gözden kaçırılma durumları olabilir, bu nedenle katman sayısıyla ilgili deneyler yapılmalıdır.
    24:13Eğitim ve Test Sonuçları
    • Eğitim ekolojisi %93, test ekolojisi %92 çıkmış durumda ve veriler oldukça temizdir.
    • Kapla skorun çıkmamasının sebebi, henüz yeterli sayıda epoch (number epos) çalıştırılmamasından kaynaklanmaktadır.
    • Test verisi üzerindeki tahminler incelenerek modelin performansı değerlendirilebilir.
    26:31Karmaşıklık Matrisi ve Sonuç
    • Karmaşıklık matrisi (confusion matrix) kullanılarak verinin ne kadar doğru çalışıp çalışmadığı görülebilir.
    • Karmaşıklık matrisinde gerçek değerler (grand true) ile tahmin değerlerinin (prediction) karşılaştırılması sağlanır.
    • Bu video, PyTorch ile görüntü sınıflandırılmasının nasıl yapıldığını hızlandırılmış bir şekilde gösterirken, performans metrikleri ve karmaşıklık matrisi hakkında daha detaylı bir video planlanmaktadır.

    Yanıtı değerlendir

  • Yazeka sinir ağı makaleleri veya videoları özetliyor