Evrişimli Sinir Ağları (CNN) Eğitimi

Eğitim Hakkında

Bu eğitim, bilgisayarlı görünün temel yapı taşı olan evrişimli sinir ağlarını evrişim işleminin matematiğinden modern mimarilere, nesne tespiti ve görüntü bölütlemeden uç cihaz dağıtımına kadar derinlemesine ele alan uygulamalı bir programdır. Katılımcılar PyTorch ile endüstriyel kalite kontrol ve tespit vakalarında uçtan uca görüntü modelleri geliştirir.

Neden Bu Eğitim?

İçeriden Anlayış. Filtrelerin, özellik haritalarının ve alıcı alanın ne öğrendiğini görselleştirerek CNN'leri gerçekten kavrayın.

Üç Temel Görev. Sınıflandırma, nesne tespiti ve görüntü bölütleme görevlerini güncel mimari ve araçlarla uygulayın.

Sahaya Hazır Çözüm. Az veriyle çalışma, veri artırma, açıklanabilirlik ve uç cihaz optimizasyonuyla sahada çalışan modeller kurun.

“Makinelere görmeyi öğrettiğinizde, insan gözünün yorulduğu her yerde hatasız ve kesintisiz çalışan yeni bir göz kazanırsınız.”

Ön Koşullar

Python ve PyTorch — Python ile rahat kod yazabilmek ve PyTorch ile basit bir eğitim döngüsü kurmuş olmak.
Sinir Ağı Temelleri — Geri yayılım, kayıp fonksiyonu, optimizasyon ve aşırı öğrenme kavramlarını bilmek.
Temel Doğrusal Cebir — Matris işlemleri ve konvolüsyon kavramına temel düzeyde aşinalık faydalıdır.
GPU Erişimi — CUDA destekli GPU'lu bir bilgisayar veya GPU sunan bulut not defteri erişimi.

Eğitim İçeriği

Programın gün gün akışı aşağıdadır. Bir güne tıklayarak o günün modüllerini ve içeriklerini görebilirsiniz.

Günün hedefiEvrişim, havuzlama ve alıcı alan kavramlarını matematiksel olarak kavramak, PyTorch ile CNN kurmak ve güçlü veri artırma ile görüntü sınıflandırma modeli eğitmek.

Modül 1

Dijital Görüntü ve Bilgisayarlı Görü

Piksel, kanal, renk uzayları ve görüntü tensörleri
Klasik görüntü işleme: kenar bulma ve filtreler
Tam bağlı ağların görüntüde parametre sorunu
Bilgisayarlı görü görevleri: sınıflandırma, tespit, bölütleme
Endüstri, sağlık ve güvenlikte görü uygulamaları
Demo: OpenCV ile elle tasarlanmış filtrelerin etkisi

Modül 2

Evrişim ve Havuzlama Matematiği

Evrişim çekirdeği, adım (stride) ve dolgu (padding)
Çıktı boyutu hesabı ve parametre sayısı
Çok kanallı evrişim ve 1x1 evrişimin rolü
Maksimum ve ortalama havuzlama, alıcı alan
Genişletilmiş (dilated) ve derinlik ayrışımlı evrişim
Laboratuvar: Evrişim işlemini NumPy ile kodlama

Modül 3

PyTorch ile İlk CNN Modeli

Conv2d, BatchNorm2d ve ReLU ile blok tasarımı
Sınıflandırma başlığı ve global ortalama havuzlama
Eğitim döngüsü, doğrulama ve karışıklık matrisi
Filtre ve özellik haritalarının görselleştirilmesi
Aşırı öğrenmeye karşı dropout ve ağırlık çürümesi
Laboratuvar: CIFAR-10 üzerinde CNN eğitimi

Modül 4

Veri Artırma ve Az Veriyle Çalışma

Geometrik ve renk tabanlı veri artırma teknikleri
Albumentations ile görev odaklı dönüşüm hatları
MixUp ve CutMix ile düzenlileştirme
Sınıf dengesizliği ve odak kaybı (focal loss)
Veri etiketleme kalitesi ve CVAT gibi araçlar
Günün değerlendirmesi ve mimariler gününe köprü

Günün hedefiTarihsel ve modern CNN mimarilerinin tasarım fikirlerini karşılaştırmak, transfer öğrenme ile yüksek başarılı modeller kurmak ve model kararlarını açıklamak.

Modül 1

Klasik CNN Mimarileri

LeNet ve AlexNet: derin görü devriminin başlangıcı
VGG ile küçük filtrelerin derinlikle birleşimi
Inception modülü ve çok ölçekli özellikler
ResNet ve artık bağlantılarla çok derin ağlar
DenseNet ve özellik yeniden kullanımı
Laboratuvar: ResNet bloğunu sıfırdan kodlama

Modül 2

Verimli ve Modern Mimariler

MobileNet ve derinlik ayrışımlı evrişimle hafif ağlar
EfficientNet ve bileşik ölçekleme yaklaşımı
ConvNeXt: Transformer fikirleriyle modernize CNN
Görü Transformer (ViT) ile CNN karşılaştırması
Doğruluk, gecikme ve parametre ödünleşimi
Uygulama: timm ile mimari karşılaştırma tablosu

Modül 3

Transfer Öğrenme ile Görüntü Sınıflandırma

ImageNet ön eğitimli ağırlıkların kullanımı
Özellik çıkarımı, katman dondurma ve ince ayar
Ayrımlı öğrenme oranları ve kademeli çözme
Alan farkı: endüstriyel ve tıbbi görüntüler
Test zamanı veri artırma ile tahmin iyileştirme
Laboratuvar: Yüzey hatası tespiti için ince ayar

Modül 4

CNN Kararlarını Açıklamak

Grad-CAM ile sınıf aktivasyon haritaları
Integrated Gradients ve Captum kütüphanesi
Kısayol öğrenme: modelin yanlış ipuçlarına odaklanması
Hata analizi ile zor örneklerin belirlenmesi
Açıklamaların kalite ve uzman onayı süreçlerinde yeri
Günün özeti ve tespit ile bölütleme gününe hazırlık

Günün hedefiNesne tespiti ve görüntü bölütleme mimarilerini uygulamak, uygun metriklerle değerlendirmek, modelleri uç cihazlar için optimize edip uçtan uca projeyi sunmak.

Modül 1

Nesne Tespiti Mimarileri

Sınırlayıcı kutu, IoU ve maksimum olmayanı bastırma
İki aşamalı yaklaşım: Faster R-CNN mimarisi
Tek aşamalı yaklaşım: YOLO ailesi ve çapa kavramı
mAP metriği ile tespit başarısının ölçülmesi
Ultralytics YOLO ile özel veri setinde eğitim
Laboratuvar: Üretim hattında parça tespiti modeli

Modül 2

Görüntü Bölütleme Yöntemleri

Anlamsal, örnek ve panoptik bölütleme farkı
U-Net: kodlayıcı-kod çözücü ve atlama bağlantıları
Mask R-CNN ile örnek (instance) bölütleme
Dice ve IoU kaybı ile bölütleme metrikleri
SAM gibi temel modellerle istemli bölütleme
Laboratuvar: U-Net ile yüzey kusuru bölütleme

Modül 3

Model Optimizasyonu ve Uç Dağıtım

ONNX dışa aktarma ve ONNX Runtime ile çıkarım
NVIDIA TensorRT ile GPU çıkarım optimizasyonu
Eğitim sonrası nicemleme ve INT8 dönüşümü
Budama ve bilgi damıtma ile model küçültme
NVIDIA Jetson gibi uç cihazlarda gecikme ölçümü
Demo: Kamera akışında gerçek zamanlı tespit

Modül 4

Uçtan Uca Görü Projesi ve Kapanış

Proje: Veri, eğitim, değerlendirme ve dağıtım hattı
Takım sunumları: mAP, gecikme ve hata analizi
Kod incelemesi ve eğitmen geri bildirimi
Eğitim değerlendirmesi ve interaktif Soru-Cevap
Sertifika takdimi ve proje kodlarının paylaşımı
Görü Transformer'ları ve çok modlu modellere yol haritası

Eğitim Kazanımları

Evrişim Matematiği — Evrişim, dolgu, adım ve alıcı alan hesaplarını yaparak katman boyutlarını ve parametreleri tasarlayabileceksiniz.
Görüntü Sınıflandırma — PyTorch ile CNN modelleri kurup veri artırma ve düzenlileştirmeyle yüksek doğrulukla eğitebileceksiniz.
Mimari Bilgisi — ResNet, EfficientNet, ConvNeXt ve ViT gibi mimarilerin tasarım fikirlerini karşılaştırıp seçebileceksiniz.
Transfer Öğrenme — Ön eğitimli ağırlıklarla az veriyle endüstriyel ve alanına özgü görüntü problemlerini çözebileceksiniz.
Açıklanabilirlik — Grad-CAM ve Captum ile modelin odaklandığı bölgeleri görselleştirip kısayol öğrenmeyi fark edebileceksiniz.
Nesne Tespiti — Faster R-CNN ve YOLO mimarileriyle özel veri setlerinde nesne tespiti yapıp mAP ile değerlendirebileceksiniz.
Görüntü Bölütleme — U-Net ve Mask R-CNN ile piksel düzeyinde bölütleme modelleri geliştirip Dice ve IoU ile ölçebileceksiniz.
Uç Dağıtım — ONNX, TensorRT ve nicemleme ile görü modellerini gerçek zamanlı çalışacak şekilde optimize edeceksiniz.

Kimler İçin Uygundur?

Bilgisayarlı görü projelerinde çalışan veri bilimciler
ML mühendisleri
üretim ve kalite kontrol mühendisleri
savunma
sağlık ve perakende sektörlerindeki Ar-Ge ekipleri.

Sıkça Sorulan Sorular

Evrişimli Sinir Ağları Eğitimi kimler için uygundur?

Program; bilgisayarlı görü projelerinde çalışan veri bilimciler, ML mühendisleri, üretim ve kalite kontrol mühendisleri ile savunma, sağlık ve perakende sektörlerindeki Ar-Ge ekipleri için tasarlanmıştır.

Eğitim ne kadar sürer ve hangi görevleri kapsar?

Eğitim 3 tam gün ve 12 modülden oluşur. Görüntü sınıflandırma, modern CNN mimarileri ve transfer öğrenme, nesne tespiti, görüntü bölütleme ve uç cihaz dağıtımı işlenir.

Katılım için hangi ön bilgiler gerekiyor?

Python ve PyTorch ile basit bir eğitim döngüsü kurmuş olmak ve geri yayılım, optimizasyon gibi temel sinir ağı kavramlarını bilmek beklenir. GPU erişimi önerilir.

Eğitimde hangi araç ve kütüphaneler kullanılıyor?

PyTorch, torchvision, timm, Albumentations, OpenCV, Captum, Ultralytics YOLO, ONNX Runtime ve TensorRT kullanılır; etiketleme süreçleri için CVAT gibi araçlar tanıtılır.

Uygulamalar kurumun kendi görüntü verisiyle yapılabilir mi?

Evet. Kapalı kurum gruplarında proje, kurumun kalite kontrol, güvenlik veya tıbbi görüntü verisine göre kurgulanabilir. Programı tamamlayan katılımcılar Digital Vizyon Akademi sertifikası alır.

Sertifikalandırma

Bu eğitim Katılım Sertifikası ile tamamlanır.

Eğitim başında “Ön Test”, bitiminde “Son Test” uygulanarak gelişim ölçümlenir. Değerlendirme formunu dolduran katılımcılar sertifikalarını alır. Sertifikanızın geçerliliğini Sertifika Sorgulama sayfasından doğrulayabilirsiniz.

Örnek Sertifika

EVRİŞİMLİ SİNİR AĞLARI EĞİTİMİ

Eğitim Hakkında

Neden Bu Eğitim?

Ön Koşullar

Eğitim İçeriği

Dijital Görüntü ve Bilgisayarlı Görü

Evrişim ve Havuzlama Matematiği

PyTorch ile İlk CNN Modeli

Veri Artırma ve Az Veriyle Çalışma

Klasik CNN Mimarileri

Verimli ve Modern Mimariler

Transfer Öğrenme ile Görüntü Sınıflandırma

CNN Kararlarını Açıklamak

Nesne Tespiti Mimarileri

Görüntü Bölütleme Yöntemleri

Model Optimizasyonu ve Uç Dağıtım

Uçtan Uca Görü Projesi ve Kapanış

Eğitim Kazanımları

Kimler İçin Uygundur?

Sıkça Sorulan Sorular

Sertifikalandırma

Eğitim Bilgileri

Benzer Programlar

Yapay Zeka Güvenliğine Giriş Eğitimi

Yapay Zeka Kurumsal Strateji Yönetimi Eğitimi

Yapay Zeka Küresel Yönetişim Çerçeveleri Eğitimi