<?xml version="1.0" encoding="UTF-8"?><rss xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:content="http://purl.org/rss/1.0/modules/content/" xmlns:atom="http://www.w3.org/2005/Atom" version="2.0" xmlns:cc="http://cyber.law.harvard.edu/rss/creativeCommonsRssModule.html">
    <channel>
        <title><![CDATA[Stories by Elif Beyza Ozkan on Medium]]></title>
        <description><![CDATA[Stories by Elif Beyza Ozkan on Medium]]></description>
        <link>https://medium.com/@elifbeyzaozkan?source=rss-1bed1ce37824------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/1*x-XFMG0mTxuXWIk1y3dhhw.jpeg</url>
            <title>Stories by Elif Beyza Ozkan on Medium</title>
            <link>https://medium.com/@elifbeyzaozkan?source=rss-1bed1ce37824------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Thu, 19 Nov 2026 14:16:37 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@elifbeyzaozkan/feed" rel="self" type="application/rss+xml"/>
        <webMaster><![CDATA[yourfriends@medium.com]]></webMaster>
        <atom:link href="http://medium.superfeedr.com/" rel="hub"/>
        <item>
            <title><![CDATA[Reinforcement Learning]]></title>
            <link>https://medium.com/@elifbeyzaozkan/reinforcement-learning-2e9768b233a0?source=rss-1bed1ce37824------2</link>
            <guid isPermaLink="false">https://medium.com/p/2e9768b233a0</guid>
            <category><![CDATA[machine-learning]]></category>
            <category><![CDATA[python]]></category>
            <category><![CDATA[deep-learning]]></category>
            <category><![CDATA[reinforcement-learning]]></category>
            <dc:creator><![CDATA[Elif Beyza Ozkan]]></dc:creator>
            <pubDate>Fri, 11 Nov 2022 21:50:36 GMT</pubDate>
            <atom:updated>2022-11-11T21:50:36.939Z</atom:updated>
            <content:encoded><![CDATA[<p>Reinforcement Learning (RL — Pekiştirmeli Öğrenme), bir aracının (agent) eylemleri gerçekleştirerek ve eylemlerin sonuçlarını görerek bir ortamda davranmayı öğrendiği<strong> geri bildirime</strong> dayalı bir Makine Öğrenimi tekniğidir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/857/1*eJy0hvVtfROTfKBIB0tNnw.png" /></figure><p>Her iyi eylem için temsilci olumlu geri bildirim alırken, her kötü eylem için temsilci olumsuz geri bildirim almaktadır. Böylelikle etiketli veri olmadan geri bildirimleri kullanarak maksimum olumlu ödülleri almak ve performansı artırmak için otomatik olarak öğrenmektedir.</p><p>Bir RL probleminin yukarıdaki görselde de görebileceğiniz gibi temel unsurlarını tanımlayan bazı anahtar terimler bulunmaktadır:</p><ul><li><strong>Agent:</strong> Çevreyi algılayabilen/keşfedebilen ve ona göre hareket edebilen bir varlık.</li><li><strong>Environment: </strong>Aracının faaliyet gösterdiği fiziksel dünya</li><li><strong>Action:</strong> Eylemler, bir etmen tarafından ortam içinde gerçekleştirilen hareketlerdir.</li><li><strong>State : </strong>Temsilcinin (agent) mevcut durumu</li><li><strong>Reward: </strong>Aracının eylemini değerlendirmek için ortamdan aracıya döndürülen bir geri bildirim.</li><li><strong>Policy: </strong>Aracının durumunu eylemlerle eşleştirme yöntemi</li><li><strong>Value: </strong>Temsilcinin belirli bir durumda bir eylemde bulunarak alacağı gelecekteki ödül</li></ul><p>Konuyu daha iyi kavramak için aşağıdaki labirent ortamı örneğini ele alalım. Oyunumuzda, <strong>reward (ödül)</strong> ile arasında birçok engel bulunan bir robot yani <strong>agent (temsilci)</strong> var ve temsilcinin, ödüle ulaşmak için mümkün olan en iyi yolu bulması gerekmektedir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/527/1*bKwdp3O0PTwiCgr72Jf92Q.png" /></figure><p>Robot, olası tüm yolları deneyerek ve ardından kendisine en az engelle ödül veren yolu seçerek öğrenir. Her doğru adım robota bir ödül verecek ve her yanlış adım robotun ödülünü çıkaracaktır.</p><p>Bilgisayar oyunları oynamak için AI oluşturma dışında RL’nin birçok kullanım alanı bulunmaktadır:</p><ul><li>Robotik ve endüstriyel otomasyonda, robotun kendi deneyiminden ve davranışlarından öğrenen, kendisi için verimli bir uyarlanabilir kontrol sistemi oluşturmasını sağlamak</li><li>Soyutlayıcı metin özetleme motorları</li><li>Kullanıcı etkileşimlerinden öğrenebilen ve zamanla gelişebilen diyalog aracıları (metin, konuşma)</li><li>Sağlık hizmetlerinde optimal tedavi politikalarını öğrenme</li></ul><p>Reinforcement learning kavramından temel hatlarıyla bahsettik. Python’da RL uygulaması gerçekleştirerek yazımızı sonlandıralım.</p><h4>Taxi-v3 Uygulaması</h4><p>Uygulamamız, pekiştirmeli öğrenmenin (reinforcement learning) en çok bilinen algoritmalarından olan Q-Learning algoritması üzerinden gerçekleştirilmiştir.</p><p><strong>Q-Learning algoritmasının </strong>temel amacı bir sonraki hareketleri inceleyip yapacağı hareketlere göre kazanacağı ödülü görmek ve bu ödülü en çoklayıp (maximize) buna göre hareket etmektir.</p><p><strong>Taksi Problemi </strong>ise<strong> </strong>pekiştirmeli öğrenme algoritmalarıyla keşfetmeniz, geliştirmeniz, test etmeniz ve uygulamanız için farklı ortam kümelerine erişmek için Python’a yükleyebileceğiniz açık kaynaklı bir kitaplık olan <strong>OpenAI Gym’</strong>in katılımcıları tarafından oluşturulmuştur.</p><p>Gelelim uygulamamıza!</p><p>Ortamımız şuna benzemektedir: 5x5 ızgaralı bir dünyada taksimiz rastgele bir kareden ortaya çıkmaktadır. Yolcu ise 4 olası konumdan (R, B, G, Y) birinde rastgele doğmakta ve 4 olası konumdan birine de gitmek istemektedir. Görev, yolcuyu bir yerden almak ve onu istenilen yere (rastgele seçilmiş) bırakmaktır. 6 olası eylem vardır, eylemler belirleyicidir (bu, yapmayı seçtiğiniz eylemin gerçekleştirdiğiniz eylem olduğu anlamına gelir).</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/828/1*KpiiloZCt8LEJpvrnlIVbw.png" /></figure><p>Ödül sistemi ise aşağıdaki gibidir:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/828/1*mMIt9hp6K42zbfiQT9xOSw.png" /></figure><p>İlk olarak, gerekli kütüphaneler içe aktarılmıştır.</p><pre>!pip install gym<br>import gym<br>import random<br>import numpy as np</pre><p>Environment (çevre) oluşturulmuştur.</p><pre>env = gym.make(&quot;Taxi-v3&quot;)<br># Ortamın bir çerçevesini oluşturur (çevreyi görselleştirmeye yardımcı olur<br>env.render()</pre><p>action_space ve state_space için ne kadar satır (durum) ve sütun (eylem) gerektiğini bilmek için Q-tablomuzu oluşturulmuştur. OpenAI Gym bize bunu yapmanın bir yolunu sunuyor: env.action_space.n ve env.observation_space.n.</p><pre>state_space = env.observation_space.n<br>print(&quot;There are &quot;, state_space, &quot; possible states&quot;)<br>action_space = env.action_space.n<br>print(&quot;There are &quot;, action_space, &quot; possible actions&quot;)<br><br># state_size satırları ve action_size sütunları (500x6) ile Q tablomuzu oluşturun<br>Q = np.zeros((state_space, action_space))<br>print(Q)<br>print(Q.shape)<br><br><br>&quot;&quot;&quot;Çıktılar şu şekildedir:<br>There are  500  possible states<br>There are  6  possible actions<br><br>[[0. 0. 0. 0. 0. 0.]<br> [0. 0. 0. 0. 0. 0.]<br> [0. 0. 0. 0. 0. 0.]<br> ...<br> [0. 0. 0. 0. 0. 0.]<br> [0. 0. 0. 0. 0. 0.]<br> [0. 0. 0. 0. 0. 0.]]<br>(500, 6)&quot;&quot;&quot;</pre><p>Ardından, hiperparametreler belirlenmiştir.</p><pre>total_episodes = 25000        # Toplam eğitim bölümü sayısı<br>total_test_episodes = 100     #  Toplam test bölümü sayısı<br>max_steps = 200               # Bölüm başına maksimum adım<br><br>learning_rate = 0.01          # Öğrenme oranı<br>gamma = 0.99                  # Discounting rate<br><br># Exploration parameters<br>epsilon = 1.0                 # Keşif oran<br>max_epsilon = 1.0             # Başlangıçta keşif olasılığı<br>min_epsilon = 0.001            # Minimum keşif olasılığı<br>decay_rate = 0.01             # Exponential decay rate for exploration prob</pre><p>Keşif/sömürü ticaretini yöneten bir politika olan Epsilon-Greedy tanımlanmıştır.</p><pre>def epsilon_greedy_policy(Q, state):<br>  # if random number &gt; greater than epsilon --&gt; exploitation<br>  if(random.uniform(0,1) &gt; epsilon):<br>    action = np.argmax(Q[state])<br>  # else --&gt; exploration<br>  else:<br>    action = env.action_space.sample()<br>  <br>  return action</pre><p>Q-Learning algoritması tanımlanmış ve agent (aracı-temsilci) eğitilmiştir.</p><pre>for episode in range(total_episodes):<br>    # Reset the environment<br>    state = env.reset()<br>    step = 0<br>    done = False<br><br>    # Reduce epsilon (because we need less and less exploration)<br>    epsilon = min_epsilon + (max_epsilon - min_epsilon)*np.exp(-decay_rate*episode)<br>    <br>    for step in range(max_steps):<br>        #<br>        action = epsilon_greedy_policy(Q, state)<br><br>        # Take the action (a) and observe the outcome state(s&#39;) and reward (r)<br>        new_state, reward, done, info = env.step(action)<br><br>        # Update Q(s,a):= Q(s,a) + lr [R(s,a) + gamma * max Q(s&#39;,a&#39;) - Q(s,a)]<br>        Q[state][action] = Q[state][action] + learning_rate * (reward + gamma * <br>                                    np.max(Q[new_state]) - Q[state][action])      <br>        # If done : finish episode<br>        if done == True: <br>            break<br>        <br>        # Our new state is state<br>        state = new_state</pre><p>Bu kodu çalıştırarak akıllı taksi acentemiz gözlemlenmiştir.</p><pre>import time<br>rewards = []<br><br>frames = []<br>for episode in range(total_test_episodes):<br>    state = env.reset()<br>    step = 0<br>    done = False<br>    total_rewards = 0<br>    print(&quot;****************************************************&quot;)<br>    print(&quot;EPISODE &quot;, episode)<br>    for step in range(max_steps):<br>        env.render()     <br>        # Take the action (index) that have the maximum expected future reward given that state<br>        action = np.argmax(Q[state][:])<br>        new_state, reward, done, info = env.step(action)<br>        total_rewards += reward<br>        <br>        if done:<br>            rewards.append(total_rewards)<br>            #print (&quot;Score&quot;, total_rewards)<br>            break<br>        state = new_state<br>env.close()<br>print (&quot;Score over time: &quot; +  str(sum(rewards)/total_test_episodes))</pre><p>Kodun çalıştırılması sonucu alınan çıktıların bir kısmı aşağıdaki verilmiştir. Uygulamayı kendiniz gerçekleştirerek görev aşamalarını daha iyi gözlemleyebilirsiniz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/287/1*usl59SaHKishaCAMsegLiA.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/407/1*cBqETN4uDLYGb7wQdgJmvA.png" /></figure><p>Sonuç olarak, yolcularını rastgele bir A noktasından rastgele bir B noktasına taşımak için bu şehirde dolaşabilen otonom bir taksi olan RL aracı uygulaması gerçekleştirilmiştir.</p><h4>Kaynaklar</h4><ul><li><a href="https://www.geeksforgeeks.org/what-is-reinforcement-learning/">https://www.geeksforgeeks.org/what-is-reinforcement-learning/</a></li><li><a href="https://www.javatpoint.com/reinforcement-learning">https://www.javatpoint.com/reinforcement-learning</a></li><li><a href="https://thomassimonini.medium.com/q-learning-lets-create-an-autonomous-taxi-part-2-2-8cbafa19d7f5">https://thomassimonini.medium.com/q-learning-lets-create-an-autonomous-taxi-part-2-2-8cbafa19d7f5</a></li><li><a href="https://www.learndatasci.com/tutorials/reinforcement-q-learning-scratch-python-openai-gym/">https://www.learndatasci.com/tutorials/reinforcement-q-learning-scratch-python-openai-gym/</a></li></ul><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=2e9768b233a0" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Generative Adversarial Networks —  GAN (Çekişmeli Üretici Ağlar)]]></title>
            <link>https://medium.com/@elifbeyzaozkan/generative-adversarial-networks-gan-%C3%A7eki%C5%9Fmeli-%C3%BCretici-a%C4%9Flar-3fce34fc92d9?source=rss-1bed1ce37824------2</link>
            <guid isPermaLink="false">https://medium.com/p/3fce34fc92d9</guid>
            <category><![CDATA[gans]]></category>
            <category><![CDATA[generative-adversarial]]></category>
            <category><![CDATA[generator]]></category>
            <category><![CDATA[machine-learning]]></category>
            <category><![CDATA[deep-learning]]></category>
            <dc:creator><![CDATA[Elif Beyza Ozkan]]></dc:creator>
            <pubDate>Wed, 02 Nov 2022 20:57:23 GMT</pubDate>
            <atom:updated>2022-11-02T20:57:23.034Z</atom:updated>
            <content:encoded><![CDATA[<h3>Generative Adversarial Networks — GAN (Çekişmeli Üretici Ağlar)</h3><p>Önceki yazılarımda, Recurrent Neural Networks (RNN) Yapısı ve AutoEncoder Yapısından bahsetmiştik. Bu yazımda ise son dönemde oldukça popüler olan gerçeğinden ayırt edilemeyen insan yüzleri, sesler, tablolar, yazılar ve daha birçok örnek uygulama ile karşımıza çıkan Generative adversarial networks (GAN) yapısından bahsedeceğiz.</p><p>Generative adversarial networks (GAN), evrişimli sinir ağları gibi derin öğrenme yöntemlerini kullanan üretken modellemeye yönelik bir yaklaşımdır.</p><p>Üretken modelleme, orijinal veri kümesinden yeni örnekler oluşturmak veya çıktı almak için girdi verilerindeki düzenlilikleri veya kalıpları otomatik olarak keşfetmeyi ve öğrenmeyi içeren denetimsiz makine öğrenimi görevidir. Örneğin, aşağıdaki resimlerin her biri GAN modeline yeterli sayıda üretmek istenilen veriden verilerek, elde edilmiş veri tipine benzer sahte resimlerdir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/566/1*TJcS_irlUCL79n-Zsf-bBQ.png" /><figcaption>(Kaynak: <a href="https://arxiv.org/pdf/1809.11096.pdf">https://arxiv.org/pdf/1809.11096.pdf</a>)</figcaption></figure><p>GAN yapısı birbiriyle çekişme halinde bulunan 2 farklı yapay sinir ağından oluşmaktadır. Bunlar <strong>Generator (Üretici)</strong> ve <strong>Discriminator (Ayırt Edici) </strong>ağ olarak adlandırılmaktadır.</p><p>Aşağıdaki görselde de görebileceğiniz gibi generator ve discriminator kavramları arasındaki ilişkiyi sanatçı ve sanat eleştirmeni arasındaki ilişkiye benzetebiliriz. Generator (sanatçı), gerçek görünen görüntüler yaratmayı öğrenirken; discriminator (sanat eleştirmeni), gerçek görüntüleri sahte olanlardan ayırmayı öğrenmektedir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/767/1*-0FOU6vBERM2kxgVzB465Q.png" /><figcaption>(Kaynak: <a href="https://www.tensorflow.org/tutorials/generative/dcgan">https://www.tensorflow.org/tutorials/generative/dcgan</a>)</figcaption></figure><ul><li><strong>Generator (Üretici) Ağ: </strong>Random sayılardan gerçeğe benzer veriler üretmektedir.</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/812/1*YlbcTzdscjJC2oY1S-sZDA.png" /><figcaption>(Kaynak: <a href="https://developers.google.com/machine-learning/gan/generator">https://developers.google.com/machine-learning/gan/generator</a>)</figcaption></figure><ul><li><strong>Discriminator (Ayırt Edici) Ağ: </strong>Basit bir sınıflandırıcı gibi çalışmaktadır. Discriminator, generator tarafından üretilen veriler veya gerçek verileri girdi olarak alıp, alınan girdinin sahte mi gerçek mi olduğunu return etmektedir.</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/832/1*hjFRHXy6mUt5pleK50WHxQ.png" /><figcaption>(Kaynak: <a href="https://developers.google.com/machine-learning/gan/discriminator">https://developers.google.com/machine-learning/gan/discriminator</a>)</figcaption></figure><p>Peki bu çekişme süresince sistemin daha iyi sonuçlar üretmesi nasıl sağlanmaktadır?</p><ul><li>Discriminator (ayırt edici), kendisine gelen resimlerin gerçek olma olasılıklarını hesaplamakta ve bunlara 0 ile 1 arasında bir değer vermektedir. 1 değeri, bir resmin gerçek olma olasılığı iken 0 değeri resmin sahte olma olasılığıdır. Discriminator, verdiği olasılık değeri ile olması gereken değer arasındaki fark olan bir kayıp (loss) değeri hesaplamaktadır. Örneğin, discriminator gerçek bir resme 0.8 değerini verdiyse hatayı temsil eden kayıp değeri 1–0.8=0.2&#39;dir. Sonuç olarak, ağ bu hata değerini sıfıra indirecek şekilde güncellenmektedir.</li><li>Generator (üretici) ağ, kendi ürettiği sahte resimlerin gerçeğe yakın olmasını yani 1 olarak değerlendirmektedir. Eğer kendi ürettiği resmi disciriminator (ayırt edici) ağ 0.6 olarak değerlendirmişse, generator ağ 1–0.6=0.4 hata yapmıştır. Generator ağ da her iterasyonda bu hatayı 0’a indirmeye çalışmaktadır.</li></ul><p>Böylelikle eğitim süreci ilerledikçe discriminator ağ giderek gerçek ve sahte resimleri daha iyi ayırt etmeye, generator ağ ise daha gerçekçi sahte resimler üretmeye başladığı için gerçek ve sahte verileri anlamakta zorlanılmaktadır.</p><p>Temel hatlarıyla GAN yapısından bahsettik. <a href="https://github.com/bnsreenu">Basit bir GAN uygulaması</a> gerçekleştirerek konunun daha iyi kavranmasını sağlayabilirsiniz.</p><h4>Kaynaklar</h4><ul><li><a href="https://arxiv.org/pdf/1809.11096.pdf">https://arxiv.org/pdf/1809.11096.pdf</a></li><li><a href="https://www.tensorflow.org/tutorials/generative/dcgan">https://www.tensorflow.org/tutorials/generative/dcgan</a></li><li><a href="https://developers.google.com/machine-learning/gan/discriminator">https://developers.google.com/machine-learning/gan/discriminator</a></li><li><a href="https://machinelearningmastery.com/how-to-develop-a-generative-adversarial-network-for-an-mnist-handwritten-digits-from-scratch-in-keras/">https://machinelearningmastery.com/how-to-develop-a-generative-adversarial-network-for-an-mnist-handwritten-digits-from-scratch-in-keras/</a></li><li><a href="https://github.com/bnsreenu">https://github.com/bnsreenu</a></li></ul><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=3fce34fc92d9" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[AutoEncoder Yapısı]]></title>
            <link>https://medium.com/@elifbeyzaozkan/autoencoder-yap%C4%B1s%C4%B1-a1dc72e93942?source=rss-1bed1ce37824------2</link>
            <guid isPermaLink="false">https://medium.com/p/a1dc72e93942</guid>
            <category><![CDATA[deep-learning]]></category>
            <category><![CDATA[python]]></category>
            <category><![CDATA[autoencoder]]></category>
            <category><![CDATA[neural-networks]]></category>
            <dc:creator><![CDATA[Elif Beyza Ozkan]]></dc:creator>
            <pubDate>Sat, 29 Oct 2022 08:31:55 GMT</pubDate>
            <atom:updated>2022-10-29T08:31:55.376Z</atom:updated>
            <content:encoded><![CDATA[<p>İsminden de anlaşılacağı gibi herhangi bir veriyi koda dönüştürmeyi otomatik olarak öğrenmeyi amaçlayan autoencoder yapısı, çok boyutlu datayı önce sıkıştıran sonra da sıkıştırılmış datayı yeniden inşa etmek için kullanılan unsupervised (denetimsiz) bir neural network (sinir ağı) çeşididir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/828/1*UeA1uK-k3TbAuu0i07nWPw.png" /></figure><p>Autoencoder, encoder (kodlayıcı), code (kod) ve decoder (kod çözücü) olmak üzere üç bileşenden oluşmaktadır.</p><ul><li><strong>Encoder (Kodlayıcı):</strong> Çok boyutlu datanın boyutunun azaltılmasını (sıkıştırılmasını) sağlamaktadır.</li><li><strong>Code (Kod):</strong> Orta katmanın çıktısı alınarak elde edilmektedir. Bu katmana “<em>bottleneck layer (darboğaz)”</em> denmektedir ve elde edilecek kodun büyüklüğünü belirlemektedir. Yani bu katman ne kadar fazla sıkıştırma yapılacağını belirlemiş olmaktadır. Ek olarak, bottleneck layer, sıkıştırılmış görüntüler üzerinden featurelar yakalanmasını sağlamaktadır.</li><li><strong>Decoder (Kod çözücü):</strong> Sıkıştırılmış datanın boyutunu artırarak girdiyi yeniden inşa etmeye çalışmaktadır.</li></ul><p>Autoencoder modelinin temel amacı, girdi ile aynı çıktıyı elde etmek; diğer bir değişle, verilen veriyi sıkıştırıp olabildiğince az kayıpla tekrar üretmek olduğu için son aşamada sistemin çıktı ve girdi arasındaki farkını veren “<em>loss fuction (kayıp fonksiyon)” </em>hesaplanmaktadır.</p><blockquote><strong>Autoencoder Yapısının Kullanım Alanları</strong></blockquote><ul><li><strong>Feature Extraction (Öznitelik Çıkarma):</strong> Autoencoder’lar veriyi sıkıştırırken en önemli bilgileri tutacak şekilde öğrenmeleri sebebiyle bu tür uygulamalarda tercih edilmektedir.</li><li><strong>Dimension Reduction (Boyut Azaltma)</strong></li><li><strong>Denoising (Gürültü giderme):</strong> Autoencoder’lara input olarak gürültülü veri verilerek gürültü giderme için eğitilebilir.</li><li><strong>Resim renklendirme/tamamlama:</strong> Siyah beyaz resimleri renkli resimlere dönüştürme işlemi de Autoencoder kullanılarak yapılabilmektedir. Bu işlem, ilk olarak renkli görüntünün siyah beyaza dönüştürülmesi sonucu bu ikisi arasındaki ilişkinin modele öğretilmesi ile gerçekleştirilebilmektedir. Aynı şekilde çizimleri renklendirme veya fotoğraflardaki eksik/yırtık kısımları tamamlama da bu yöntemle yapılabilmektedir.</li><li><strong>Yeni veri üretme: </strong>Autoencoder’ların bir türü olan Variational Autoencoder (VAE) kullanılarak da yeni veriler üretilebilmektedir. VAE’ler Autoencoder’lardan farklı olarak bottleneck layer’da belirli bir olasılıksal dağılım öğrenmekte ve bu sayede bu dağılımdan rastgele kodlar kullanılarak yeni veriler üretilebilmektedir.</li><li><strong>Otonom araçlarda yolu tespit etme</strong></li><li><strong>Veri üzerinde bir preprocessing (önişleme) tekniği olarak</strong></li><li><strong>Anomali tespiti</strong></li></ul><blockquote><strong>Autoencoder Türleri</strong></blockquote><ol><li>Vanilla autoencoder</li><li>Multilayer autoencoder</li><li>Convolutional autoencoder</li><li>Regularized autoencoder</li></ol><blockquote><strong>Python’da Autoencoder Uygulaması</strong></blockquote><p>MNIST veri seti kullanılarak Multilayer autoencoder üzerinden bir uygulama gerçekleştirecek olup autoencoderın diğer türleri arasındaki farkları daha iyi gözlemlemek için <a href="https://towardsdatascience.com/deep-inside-autoencoders-7e41f319999f">Nathan Hubens’in Deep Inside: Autoencoder</a> adlı yazısını inceleyebilirsiniz.</p><p>İlk olarak, gerekli kütüphaneler girilmiştir.</p><pre>import keras<br>import numpy as np<br>import matplotlib.pyplot as plt</pre><pre>from keras.datasets import mnist<br>from keras.models import Model<br>from keras.layers import Input<br>from keras.layers.core import Dense, Activation, Reshape</pre><p>MNIST veri seti yüklenmiştir.</p><pre>(X_train, _), (X_test, _) = mnist.load_data()</pre><pre>X_train = X_train.reshape(X_train.shape[0], 28, 28, 1)<br>X_test = X_test.reshape(X_test.shape[0], 28, 28, 1)</pre><p>Veri seti normalize edilmiştir. Verileri normalize ederek 0 ile 255 arasında değil, 0 ile 1 arasında piksel değerleri edilmektedir. Ardından tam bağlı ağlar için görüntüleri düzleştirilmiştir.</p><pre>X_train <strong>=</strong> X_train<strong>.</strong>astype(&quot;float32&quot;)<strong>/</strong>255.<br>X_test <strong>=</strong> X_test<strong>.</strong>astype(&quot;float32&quot;)<strong>/</strong>255.<br><br>print(&#39;X_train shape:&#39;, X_train<strong>.</strong>shape)<br>print(X_train<strong>.</strong>shape[0], &#39;train samples&#39;)<br>print(X_test<strong>.</strong>shape[0], &#39;test samples&#39;)</pre><pre>X_train <strong>=</strong> X_train<strong>.</strong>reshape((len(X_train), np<strong>.</strong>prod(X_train<strong>.</strong>shape[1:])))<br>X_test <strong>=</strong> X_test<strong>.</strong>reshape((len(X_test), np<strong>.</strong>prod(X_test<strong>.</strong>shape[1:])))</pre><p>Multilayer autoencoder uygulamak için ağ oluşturulmuş. Multiplayer autoencoder, vanilla autoencoder yani bir gizli katman yeterli olmağında, otomatik kodlayıcıyı açıkça daha fazla gizli katmana genişletilmesini sağlamaktadır.</p><pre>input_size <strong>=</strong> 784<br>hidden_size <strong>=</strong> 128<br>code_size <strong>=</strong> 64<br><br>x <strong>=</strong> Input(shape<strong>=</strong>(input_size,))<br>hidden_1 <strong>=</strong> Dense(hidden_size, activation<strong>=</strong>&#39;relu&#39;)(x)<br>h <strong>=</strong> Dense(code_size, activation<strong>=</strong>&#39;relu&#39;)(hidden_1)<br>hidden_2 <strong>=</strong> Dense(hidden_size, activation<strong>=</strong>&#39;relu&#39;)(h)<br>r <strong>=</strong> Dense(input_size, activation<strong>=</strong>&#39;sigmoid&#39;)(hidden_2)<br><br>autoencoder <strong>=</strong> Model(inputs<strong>=</strong>x, outputs<strong>=</strong>r)<br>autoencoder<strong>.</strong>compile(optimizer<strong>=</strong>&#39;adam&#39;, loss<strong>=</strong>&#39;mse&#39;)</pre><p>Ağ eğitilmiştir. Uygulama süresinin çok uzamaması için epoch değerine 5 verilmiştir. Bu değeri değiştirerek farkları gözlemleyebilirsiniz.</p><pre>epochs = 5<br>batch_size = 128</pre><pre>history = autoencoder.fit(X_train, X_train, <em>batch_size</em>=batch_size, <em>epochs</em>=epochs, <em>verbose</em>=1, <em>validation_data</em>=(X_test, X_test))</pre><p>Test seti üzerinden tahmin yapılmıştır.</p><pre>decoded_imgs = autoencoder.predict(X_test)</pre><p>Girdi ve çıktı görüntülerinin görüntülenmesi için plot uygulanmıştır.</p><pre>n <strong>=</strong> 10<br>plt<strong>.</strong>figure(figsize<strong>=</strong>(20, 6))<br><strong>for</strong> i <strong>in</strong> range(n):<br>    <em># display original</em><br>    ax <strong>=</strong> plt<strong>.</strong>subplot(3, n, i<strong>+</strong>1)<br>    plt<strong>.</strong>imshow(X_test[i]<strong>.</strong>reshape(28, 28))<br>    plt<strong>.</strong>gray()<br>    ax<strong>.</strong>get_xaxis()<strong>.</strong>set_visible(<strong>False</strong>)<br>    ax<strong>.</strong>get_yaxis()<strong>.</strong>set_visible(<strong>False</strong>)<br><br>    <br>    <em># display reconstruction</em><br>    ax <strong>=</strong> plt<strong>.</strong>subplot(3, n, i<strong>+</strong>n<strong>+</strong>1)<br>    plt<strong>.</strong>imshow(decoded_imgs[i]<strong>.</strong>reshape(28, 28))<br>    plt<strong>.</strong>gray()<br>    ax<strong>.</strong>get_xaxis()<strong>.</strong>set_visible(<strong>False</strong>)<br>    ax<strong>.</strong>get_yaxis()<strong>.</strong>set_visible(<strong>False</strong>)<br>    <br>plt<strong>.</strong>show()</pre><p>Kayıp fonksiyon grafiği oluşturulmuştur.</p><pre>plt.plot(history.history[&#39;loss&#39;])<br>plt.plot(history.history[&#39;val_loss&#39;])<br>plt.title(&#39;model loss&#39;)<br>plt.ylabel(&#39;loss&#39;)<br>plt.xlabel(&#39;epoch&#39;)<br>plt.legend([&#39;train&#39;, &#39;validation&#39;], <em>loc</em>=&#39;upper right&#39;)<br>plt.show()</pre><p>Yapmış olduğumuz uygulamanın çalıştırılması sonucu aşağıdaki çıktılar elde edilmiştir:</p><pre>X_train shape: (60000, 28, 28, 1)<br>60000 train samples<br>10000 test samples</pre><pre>Epoch 1/5<br>469/469 [==============================] - 3s 4ms/step - loss: 0.0407 - val_loss: 0.0196<br>Epoch 2/5<br>469/469 [==============================] - 2s 4ms/step - loss: 0.0156 - val_loss: 0.0126<br>Epoch 3/5<br>469/469 [==============================] - 2s 4ms/step - loss: 0.0115 - val_loss: 0.0100<br>Epoch 4/5<br>469/469 [==============================] - 2s 5ms/step - loss: 0.0096 - val_loss: 0.0088<br>Epoch 5/5<br>469/469 [==============================] - 2s 5ms/step - loss: 0.0085 - val_loss: 0.0079<br>313/313 [==============================] - 1s 2ms/step</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*HAMGa8BPdwUENYkLhUYlQQ.png" /><figcaption>Girdi ve Çıktı</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/640/1*HLB0XH5cbxQvEkYZXyOI_g.png" /><figcaption>Kayıp fonksiyon grafiği</figcaption></figure><p>Sonuç olarak, verilere autoencoder uygulayarak elde edilen çıktılar ile girdiler arasında çok büyük farklar gözlemlenmemiş ve doğruluğu yüksek sonuçlar elde edilmiştir. Kayıp fonksiyon grafiği incelendiğinde ise loss değerini daha da düşürebilmek için epoch değeri artırılarak uygulama tekrar çalıştırılabilir.</p><h4>Kaynaklar</h4><ul><li><a href="https://cihanongun.medium.com/autoencoder-otokodlay%C4%B1c%C4%B1-nedir-ne-i%C3%A7in-kullan%C4%B1l%C4%B1r-e520a591746a">https://cihanongun.medium.com/autoencoder-otokodlay%C4%B1c%C4%B1-nedir-ne-i%C3%A7in-kullan%C4%B1l%C4%B1r-e520a591746a</a></li><li><a href="https://towardsdatascience.com/deep-inside-autoencoders-7e41f319999f">https://towardsdatascience.com/deep-inside-autoencoders-7e41f319999f</a></li></ul><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=a1dc72e93942" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Recurrent Neural Networks (RNN) ve LSTM Yapısı]]></title>
            <link>https://medium.com/@elifbeyzaozkan/recurrent-neural-networks-rnn-ve-lstm-yap%C4%B1s%C4%B1-9931b4caa9c1?source=rss-1bed1ce37824------2</link>
            <guid isPermaLink="false">https://medium.com/p/9931b4caa9c1</guid>
            <category><![CDATA[rnn]]></category>
            <category><![CDATA[algorithms]]></category>
            <category><![CDATA[recurrent-neural-network]]></category>
            <category><![CDATA[deep-learning]]></category>
            <category><![CDATA[lstm]]></category>
            <dc:creator><![CDATA[Elif Beyza Ozkan]]></dc:creator>
            <pubDate>Fri, 28 Oct 2022 14:44:08 GMT</pubDate>
            <atom:updated>2022-10-28T14:44:08.585Z</atom:updated>
            <content:encoded><![CDATA[<p>Önceki yazılarımda, <strong>evrişimsel sinir ağlarından (CNN- Convolution Neural Networks)</strong> bahsetmiştik. Bu yazımda ise sıralı verileri veya zaman serisi verilerini kullanan bir tür yapay sinir ağı olan <strong>yineleyen sinir ağlarından (RNN- Recurrent Neural Networks)</strong> bahsedeceğiz.</p><p>Yineleyen sinir ağları (RNN- Recurrent Neural Networks), dil çevirisi, doğal dil işleme (nlp), konuşma tanıma ve resim yazısı gibi sıralı veya zamansal sorunlar için yaygın olarak kullanılmaktadır.</p><p><em>Peki nedir bu RNN?</em></p><p>RNN’ler genelde bir sonraki adımı tahmin etmek için kullanılan bir çeşit Derin Öğrenme yapılarıdır.</p><p>Diğer derin öğrenme yapılarından RNN’i ayıran özellikleri <strong>hatırlamalarıdır. </strong>RNN’ler kurmuş oldukları ilişkilerin kalıcı olması için kendi içlerinde dönen döngü benzeri bir yapı kullanırlar. Görselde olduğu gibi, çıkan sonuç bir sonraki adımı beslemektedir. Bu sayede girdiler unutulmadan ilerlenmekte ve konuşma tanıma gibi uygulamalarda başarılı sonuçlar elde etmesini sağlamaktadır.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/828/1*3nqIsrDRo_TFQL6AJMT8jA.png" /><figcaption>RNN Yapısı</figcaption></figure><p>Yukarıdaki görselde de görebileceğiniz gibi h_1 için x_0 girdisi ile elde edilen h_0 ve x_1 kullanılmaktadır. Bu ilerleyişin arkasındaki matematiği şu şekildedir:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/203/1*7D0Wfc4hkD1UGy9QpxrmuA.png" /></figure><p><em>h_t: Şu anki h değeri</em></p><p><em>h_t-1: Bir önceki h değeri</em></p><p><em>x_t: Şu anki girdi vektörü</em></p><p>Bir aktvasyon fonksiyonu ile kullanımı:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/195/1*f5AafrG2SF9IPI2AXctqtQ.png" /></figure><p><em>W: Ağırlık</em></p><p><em>h: Gizli katman</em></p><p><em>W_hh: Bir önceki gizli katmanın ağırlığı</em></p><p><em>W_hx: Şu anki gizli katmanın ağırlığı</em></p><p><em>tanh: Aktivasyon fonksiyonu</em></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/137/1*2U44Qo0Yex8l3MpwNCFNwQ.png" /></figure><p><em>W_hy: Çıktı katmanının ağırlık değeri</em></p><p><em>y_t: Çıktı</em></p><p>RNN’lerin getirdiği en büyük avantaj daha önce görülen girdilerin bilgisini bir sonraki adımlara taşıyabilmektir. Ancak, RNN’lerin uzun bir geçmiş ile karşı karşıya kaldığı durumlarda istenen önceki girdiyi eksik veya yanlış hatırlaması gibi hatalarla karşılaşılmaktadır. Bu sorunu çözmek için <strong>Long Short-Term Memory (LSTM) </strong>üniteleri geliştirilmiştir.</p><p>Son olarak, LSTM yapısından bahsederek yazımızı sonlandıralım.</p><h4>LSTM</h4><p>LSTM, temel olarak RNN içerisindeki normal bir adımın farklılaştırılmasıdır. Bu farklılaşma bilgileri daha iyi depolayarak, standart RNN’in kısa vadeli bellek problemini ortadan kaldırılmasını sağlamaktadır. Böylece daha önceki adımlardaki girdi ya da çıktı bilgilerine gerek duyulduğunda ulaşılabilmektedir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/726/1*higLBa_TXej6qpjK8m3rDA.png" /><figcaption>LSTM Yapısı</figcaption></figure><p>LSTM’in temel yapısı Cell State, Forget Gate (Unutma Kapısı), Input Gate (Giriş Kapısı), Output Gate’den (Çıkış Kapısı) oluşmaktadır.</p><ul><li><strong>Cell State:</strong> Tahmin yapmak için anlamlı bilgileri hücreler boyunca taşıyan bir iletişim hattı ve ağın hafızası olarak açıklanabilmektedir. Bu sayede kısa süreli bellek(short-term memory) problemi çözülerek eski veriler ağ zinciri boyunca taşınabilmektedir.</li></ul><p>Cell State’in bu yolculuğu boyunca taşıması gereken bilgiler ise kapılar (gates) aracılığı ile belirlenmektedir.</p><p>Kapılarda verileri 0 ile 1 aralığına sıkıştıran sigmoid aktivasyon fonksiyonunu kullanılmaktadır. Sigmoid aktivasyonu sonucunda 0 olan bilgiler unutulmakta ve 1 olan bilgiler ise Cell State ile ilerlemeye devam etmektedir.</p><ul><li><strong>Forget Gate (Unutma Kapısı): </strong>Hangi bilgilerin unutulacağı veya tutulacağı kararına varan kapıdır. Önceki hücreden gelen bilgi(h_t-1) ve mevcut bilgi(x_t) sigmoid aktivasyon fonksiyonuna sokulur ve sonucuna göre karar verilir. 0 olan bilgiler unutulur ve 1 olan bilgiler Cell State ile taşınmaya devam eder.</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/722/1*NjiwbjVNaj0X024ef_awxg.png" /></figure><ul><li><strong>Input Gate (Giriş Kapısı):</strong> Cell State güncellemesi yapar. Önceki ve mevcut bilginin sigmoid işlemi sonucuna göre güncelleme yapıp yapılmayacağı kararına varılır. Sigmoid fonksiyonu 0 ile 1 aralığına sıkıştırırken, tanh aktivasyon fonksiyonu -1 ve 1 aralığına sıkıştırır.</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/772/1*J0K39FcmWaAV-NaC4u8KiQ.png" /></figure><ul><li><strong>Output Gate (Çıkış Kapısı):</strong> Bir sonraki hücrenin girişini (h_t+1) belirlemektedir. Öncelikle önceki bilgiyi ve mevcut girişin bilgisini sigmoid fonksiyondan ve ardından Cell State üzerinde var olan bilgiyi tanh fonksiyonundan geçirmektedir. Son olarak iki sonucu çarparak hangi bilgilerin bir sonraki hücre için giriş (h_t+1) olacağına karar vermektedir.</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/732/1*mjYUuc6esMNR80c4F051TQ.png" /></figure><p>Mevcut hücre için kapı işlemleri tamamlandığında bir sonraki hücreye gidecek olan Cell State ve hücrenin giriş bilgisi olarak tanımladığım <strong>Hidden State(h_t)</strong> bilgilerine karar verilmiş olur.</p><h4>Kaynaklar</h4><ul><li><a href="https://medium.com/deep-learning-turkiye/rnn-nedir-nas%C4%B1l-%C3%A7al%C4%B1%C5%9F%C4%B1r-9e5d572689e1">https://medium.com/deep-learning-turkiye/rnn-nedir-nas%C4%B1l-%C3%A7al%C4%B1%C5%9F%C4%B1r-9e5d572689e1</a></li><li><a href="https://www.umitsarioz.com/post/recurrent-neural-network-ve-long-short-term-memory-nedir">https://www.umitsarioz.com/post/recurrent-neural-network-ve-long-short-term-memory-nedir</a></li><li><a href="https://medium.com/deep-learning-turkiye/uzun-k%C4%B1sa-vadeli-bellek-lstm-b018c07174a3">https://medium.com/deep-learning-turkiye/uzun-k%C4%B1sa-vadeli-bellek-lstm-b018c07174a3</a></li></ul><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=9931b4caa9c1" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[U-Net Mimarisi Nedir?]]></title>
            <link>https://medium.com/@elifbeyzaozkan/u-net-mimarisi-nedir-9730cb1fe763?source=rss-1bed1ce37824------2</link>
            <guid isPermaLink="false">https://medium.com/p/9730cb1fe763</guid>
            <category><![CDATA[unet]]></category>
            <category><![CDATA[image-segmentation]]></category>
            <category><![CDATA[deep-learning]]></category>
            <category><![CDATA[algorithms]]></category>
            <dc:creator><![CDATA[Elif Beyza Ozkan]]></dc:creator>
            <pubDate>Fri, 28 Oct 2022 10:17:11 GMT</pubDate>
            <atom:updated>2022-10-28T10:17:11.044Z</atom:updated>
            <content:encoded><![CDATA[<p>Bir tür Evrişimli Sinir Ağı yaklaşımı (Convolutional Neural Networks-CNN) olan U-Net ilk olarak biyomedikal görüntüler üzerinde daha iyi bir segmentasyon yapma önerisi ile 2015 yılında, Olaf Ronneberger, Phillip Fischer, ve Thomas Brox tarafından <a href="https://arxiv.org/pdf/1505.04597.pdf">U-Net: Convolutional Networks for Biomedical Image Segmentation</a> makalesinde duyurulmuştur.</p><p>U-net mimarisinin arkasındaki temel fikir, görüntü feature map (özellik haritası) boyutunu ağın yalnızca önemli özellikleri depolaması ve daha az kullanışlı verileri atması için uzamsal olarak azaltmak ve ardından ardından önemli özellikleri öğrenmek için bir darboğaz yaratarak orijinal boyutuna geri getirmektir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/947/1*rGvGNOQsgEDTUbZs3C0W7g.png" /></figure><p>U-Net mimarisi, en düşük çözünürlükte 32 x 32 piksel için . Her mavi kutu, çok kanallı bir feature map (özellik haritası) karşılık gelmekteyken, kutuların üstünde yazan sayılar kanal sayılarını ve sol alt köşelerindeki sayılar ise xy-boyutunu ifade etmektedir. Ek olarak, beyaz kutular, kopyalanan feature map’leri, oklar ise farklı işlemleri temsil etmektedir.</p><p>U-Net mimarisi, <strong>contracting path</strong> (görselde sol taraf) ve <strong>expansive path</strong> (görselde sağ taraf) olmak üzere iki bölümden oluşmaktadır.</p><ul><li>Standart bir CNN’ye benzeyen contracting path, düşük ve yüksek seviyeli özellikleri çıkarmak için katmanlara sahiptir. Mimari incelendiğinde de görülebileceği gibi 3 x 3 convolutions layer (evrişimsel katman)<strong> </strong>ve ReLU işlemi tarafından takip edilen max-pooling uygulanmasının tekrarlanmasından oluşmaktadır.</li><li>Expansive path ise piksel tabanlı sınıflandırmalar için kullanılan yukarı örnekleme katmanlarına (upsampling layers) sahiptir.</li></ul><p>Sonuç olarak, çıktının çözünürlüğünü arttıran 23 evrişim katmanından oluşan U-Net mimarisi görüntü segmentasyonu uygulamalarında özellikle biyomedikal segmentasyon uygulamalarında çok iyi performans göstermektedir. U-Net görüntü segmentasyonu uygulamaları şu şekildedir:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/795/1*DaedZ9isF2iMKswybgD52Q.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/828/1*NWCz4moIoQHoMvQjV_5lTw.png" /></figure><p>U-Net birkaç tane varyanta sahiptir. Bu varyantları inceleyip yazımızı sonlandıralım.</p><p><strong>V-Net</strong>: 2D görüntülerle kullanılabilmesinin yanı sıra 3D veya hacimsel veriler için önerilmiş bir ağdır. U-Net’ten tek farkı, yukarı-örnekleme ve aşağı-örnekleme havuzlama katmanının yerine convolutions layer (evrişimsel katman) kullanmasıdır. V-Net’in arkasındaki fikir, Maxpool işleminin kullanılmasının çok fazla bilgi kaybına yol açması ve bu nedenle onu dolgu (padding) olmadan başka bir Conv işlemi serisiyle değiştirerek, daha fazla bilginin korunmasına yardımcı olmaktır.</p><p><strong>Attention U-Net: </strong>Bu ağ, atlamalı bağlantılarda(skip connection), verilen nesneyi bölümlere ayırırken hangi bölgeye odaklanılacağı konusunda çok küçük nesnelerle bile daha iyi sonuçlar elde etmektedir.</p><p><strong>Residual U-Net:</strong> Residual ağların performans kazancını alıp U-Net ile birlikte kullanan çok ilginç bir fikirdir. Çok yetenekli bir ağdır, ancak biraz fazla sayıda parametreye sahiptir.</p><p><strong>U-Net3+:</strong> Attention U-Net’e kıyasla daha da az parametre ile son derece iyi çalışan bir ağdır. Sınıflandırma sonuçları aynı zamanda segmentasyon sürecini güçlendirmek için kullanılmaktadır ve bu işlem sınflandırma kılavuzlu modül (classification guided module) olarak adlandırılmaktadır.</p><h4>Kaynaklar</h4><ul><li><a href="https://medium.com/aiguys/attention-u-net-resunet-many-more-65709b90ac8b#:~:text=This%20network%20borrowed%20the%20idea,present%20in%20the%20skip%20connections">https://medium.com/aiguys/attention-u-net-resunet-many-more-65709b90ac8b#:~:text=This%20network%20borrowed%20the%20idea,present%20in%20the%20skip%20connections</a>.</li><li><a href="https://dergipark.org.tr/tr/download/article-file/1291802">https://dergipark.org.tr/tr/download/article-file/1291802</a></li><li><a href="https://blog.paperspace.com/unet-architecture-image-segmentation/">https://blog.paperspace.com/unet-architecture-image-segmentation/</a></li><li><a href="https://www.youtube.com/watch?v=azM57JuQpQI&amp;list=PLZsOBAyNTZwbR08R959iCvYT3qzhxvGOE&amp;index=1">Youtube Channel</a></li></ul><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=9730cb1fe763" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Mask R-CNN Yöntemi ve Örnek Uygulama]]></title>
            <link>https://medium.com/@elifbeyzaozkan/mask-r-cnn-y%C3%B6ntemi-ve-%C3%B6rnek-uygulama-b2ae2b2b847a?source=rss-1bed1ce37824------2</link>
            <guid isPermaLink="false">https://medium.com/p/b2ae2b2b847a</guid>
            <category><![CDATA[deep-learning]]></category>
            <category><![CDATA[mask-r-cnn]]></category>
            <category><![CDATA[python]]></category>
            <category><![CDATA[image-segmentation]]></category>
            <dc:creator><![CDATA[Elif Beyza Ozkan]]></dc:creator>
            <pubDate>Mon, 19 Sep 2022 14:03:15 GMT</pubDate>
            <atom:updated>2022-09-19T14:04:24.071Z</atom:updated>
            <content:encoded><![CDATA[<p>Önceki yazılarımda <a href="https://medium.com/@elifbeyzaozkan/derin-%C3%B6%C4%9Frenmede-bilgisayarl%C4%B1-g%C3%B6r%C3%BC-8679ddd7fb1e">CNN</a> ve <a href="https://medium.com/@elifbeyzaozkan/r-cnn-fast-r-cnn-ve-faster-r-cnn-mimarileri-f0b720ab931c">R-CNN</a> algoritmalarından bahsetmiştik. Bu yazımda ise bölge tabanlı evrişimsel sinir ağı (Region-Based Convolutional Neural Network) olan Faster R-CNN’nin üzerinde geliştirilen bir diğer nesne tanıma algoritması Mask R-CNN’dan bahsedip, örnek uygulama gerçekleştireceğiz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/677/1*MPPaWCC4e-xXlXp7s7HMNw.png" /></figure><p>Mask R-CNN, Faster R-CNN algoritmasının var olan mimarisi ile sınırlayıcı kutu (bounding box) çizmesine ek olarak bir nesnenin maskesini tahmin etmek amacıyla Faster R-CNN mimarisine bir dal eklenmiş halidir.</p><p>Mask R-CNN konusunu daha iyi anlamak için birkaç kavramdan bahsedelim.</p><p><strong>Görüntü Segmentasyonu (Image Segmentation): </strong>Görüntü segmentasyonu her piksel için, belirli özellikleri paylaşan piksellere aynı etiketin tanımlanması işlemidir. Amaç bir görüntüyü parçalara ayırarak basitleştirmek, anlaşılır olmasını sağlamaktır. Ssemantic segmentasyon ve instance segmentasyon olmak üzere iki grubu ayrılmaktadır.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/960/1*-A1Ed4xkFefUbDkR42BcFQ.gif" /><figcaption>Görüntü Segmentasyonu (Kaynak: <a href="https://www.muhendisbeyinler.net/mask-r-cnn-bir-nesne-tanima-algoritmasi/">https://www.muhendisbeyinler.net/mask-r-cnn-bir-nesne-tanima-algoritmasi/</a>)</figcaption></figure><ul><li><strong>Semantic Segmentasyon: </strong>Tüm pikseller için nesnenin sınıfını tanımlayan segmentasyondur. Bir görüntüdeki aynı sınıfa ait nesnelerin hepsini bir olarak tanımlar.</li><li><strong>Instance Segmentasyon:</strong> Her bir nesneye ait tüm pikseller için bir sınıf tanımlar. Bir görüntüde aynı sınıfa ait birden fazla nesne için ayrı ayrı tanımlama yapar. Semantic segmentasyona göre daha detaylı bir tanımlama söz konusudur. Bu sebeple, Mask R-CNN’de bu segmentasyon tercih edilmektedir.</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/838/1*Vfcpxsvu48bwYqpTALUn-Q.png" /><figcaption>Kaynak: <a href="https://viso.ai/deep-learning/mask-r-cnn/#:~:text=Mask%20R-CNN%20is%20a,overview%20of%20Mask%20R-CNN">https://viso.ai/deep-learning/mask-r-cnn/#:~:text=Mask%20R-CNN%20is%20a,overview%20of%20Mask%20R-CNN</a>.</figcaption></figure><h4>Mask R-CNN Örnek Uygulama</h4><blockquote>Adım-1</blockquote><p>İlk olarak, Mask R-CNN’i klonlanmalıdır. Bunun için terminale aşağıdaki komut yazılabilir veya <a href="https://github.com/matterport/Mask_RCNN">bu linkten</a> indirilebilir.</p><pre><em>git clone </em><a href="https://github.com/matterport/Mask_RCNN.git">https://github.com/matterport/Mask_RCNN.git</a></pre><blockquote>Adım-2</blockquote><p>Ardından, Mask R-CNN’nin gerektirdiği bağımlılıkların kurulması gerekmektedir. Bağımlılık listesi Mask R-CNN klasörü içerisindeki “requirements.txt” dosyasında bulunmaktadır. Bilgisayarınızda kurulu olanları görebilmek pip list veya pip3 list komutu ile bakabilirsiniz.</p><blockquote>Adım-3</blockquote><p><a href="https://github.com/matterport/Mask_RCNN/releases">Bu linkten</a> önceden eğitilmiş ağırlıklar indirmelidir. Bu ağırlıklar, MS COCO veri setinde eğitilmiş bir modelden elde edilmektedir. İndirdikten sonra, bu dosyayı 1. adımda klonladığımız Mask_RCNN deposunun “samples” klasörüne yapıştırılmalıdır.</p><blockquote>Adım-4</blockquote><p>Son olarak, kendi görüntülerimiz için tahminler oluşturmak için Mask R-CNN mimarisini ve önceden eğitilmiş ağırlıkları kullanacağız.</p><p>Uygulamamıza gerekli kitaplıkları içe aktararak başlayalım.</p><pre>import os<br>import sys<br>import random<br>import math<br>import numpy as np<br>import skimage.io<br>import matplotlib<br>import matplotlib.pyplot as plt<br><br># Root directory of the project<br>ROOT_DIR = os.path.abspath(&quot;../&quot;)<br><br>import warnings<br>warnings.filterwarnings(&quot;ignore&quot;)<br><br># Import Mask RCNN<br>sys.path.append(ROOT_DIR)  # To find local version of the library<br>from mrcnn import utils<br>import mrcnn.model as modellib<br>from mrcnn import visualize<br># Import COCO config<br>sys.path.append(os.path.join(ROOT_DIR, &quot;samples/coco/&quot;))  # To find local version<br>import coco</pre><p>Daha sonra, üzerinde segmentasyon yapmak istediğimiz önceden eğitilmiş ağırlıklar ve görüntüler için yolu tanımlayacağız.</p><pre># Directory to save logs and trained model<br>MODEL_DIR = os.path.join(ROOT_DIR, &quot;logs&quot;)<br><br># Local path to trained weights file<br>COCO_MODEL_PATH = os.path.join(&#39;&#39;, &quot;mask_rcnn_coco.h5&quot;)<br><br># Download COCO trained weights from Releases if needed<br>if not os.path.exists(COCO_MODEL_PATH):<br>    utils.download_trained_weights(COCO_MODEL_PATH)<br><br># Directory of images to run detection on<br>IMAGE_DIR = os.path.join(ROOT_DIR, &quot;images&quot;)</pre><p>Şimdi Mask R-CNN modelini çıkarmak için kullanılacak bir inference (çıkarım) sınıfı oluşturacağız.</p><pre>class InferenceConfig(coco.CocoConfig):<br>    # Set batch size to 1 since we&#39;ll be running inference on<br>    # one image at a time. Batch size = GPU_COUNT * IMAGES_PER_GPU<br>    GPU_COUNT = 1<br>    IMAGES_PER_GPU = 1<br><br>config = InferenceConfig()</pre><p>Ardından, modelimizi oluşturacağız ve daha önce indirdiğimiz önceden eğitilmiş ağırlıkları yükleyeceğiz.</p><pre># Create model object in inference mode.<br>model = modellib.MaskRCNN(mode=&quot;inference&quot;, model_dir=&#39;mask_rcnn_coco.hy&#39;, config=config)<br><br># Load weights trained on MS-COCO<br>model.load_weights(&#39;mask_rcnn_coco.h5&#39;, by_name=True)</pre><p>COCO veri setinin tahmin aşamasında bize yardımcı olacak sınıflarını tanımlayacağız.</p><pre># COCO Class names<br>class_names = [&#39;BG&#39;, &#39;person&#39;, &#39;bicycle&#39;, &#39;car&#39;, &#39;motorcycle&#39;, &#39;airplane&#39;,<br>               &#39;bus&#39;, &#39;train&#39;, &#39;truck&#39;, &#39;boat&#39;, &#39;traffic light&#39;,<br>               &#39;fire hydrant&#39;, &#39;stop sign&#39;, &#39;parking meter&#39;, &#39;bench&#39;, &#39;bird&#39;,<br>               &#39;cat&#39;, &#39;dog&#39;, &#39;horse&#39;, &#39;sheep&#39;, &#39;cow&#39;, &#39;elephant&#39;, &#39;bear&#39;,<br>               &#39;zebra&#39;, &#39;giraffe&#39;, &#39;backpack&#39;, &#39;umbrella&#39;, &#39;handbag&#39;, &#39;tie&#39;,<br>               &#39;suitcase&#39;, &#39;frisbee&#39;, &#39;skis&#39;, &#39;snowboard&#39;, &#39;sports ball&#39;,<br>               &#39;kite&#39;, &#39;baseball bat&#39;, &#39;baseball glove&#39;, &#39;skateboard&#39;,<br>               &#39;surfboard&#39;, &#39;tennis racket&#39;, &#39;bottle&#39;, &#39;wine glass&#39;, &#39;cup&#39;,<br>               &#39;fork&#39;, &#39;knife&#39;, &#39;spoon&#39;, &#39;bowl&#39;, &#39;banana&#39;, &#39;apple&#39;,<br>               &#39;sandwich&#39;, &#39;orange&#39;, &#39;broccoli&#39;, &#39;carrot&#39;, &#39;hot dog&#39;, &#39;pizza&#39;,<br>               &#39;donut&#39;, &#39;cake&#39;, &#39;chair&#39;, &#39;couch&#39;, &#39;potted plant&#39;, &#39;bed&#39;,<br>               &#39;dining table&#39;, &#39;toilet&#39;, &#39;tv&#39;, &#39;laptop&#39;, &#39;mouse&#39;, &#39;remote&#39;,<br>               &#39;keyboard&#39;, &#39;cell phone&#39;, &#39;microwave&#39;, &#39;oven&#39;, &#39;toaster&#39;,<br>               &#39;sink&#39;, &#39;refrigerator&#39;, &#39;book&#39;, &#39;clock&#39;, &#39;vase&#39;, &#39;scissors&#39;,<br>               &#39;teddy bear&#39;, &#39;hair drier&#39;, &#39;toothbrush&#39;]</pre><p>Bir resim yükleyelim ve modelin nasıl performans gösterdiğini görmeye çalışalım.</p><pre># Load a random image from the images folder<br>image = skimage.io.imread(&#39;sample.jpg&#39;)<br><br># original image<br>plt.figure(figsize=(12,10))<br>skimage.io.imshow(image)</pre><p>Tahmin yapalım ve ne kadar iyi segmentasyon yaptığını görelim.</p><pre># Run detection<br>results = model.detect([image], verbose=1)</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/606/1*6wFjuV7aIyyjzPkLnMgy5g.png" /><figcaption>Girdi görseli</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/562/1*e_eQHcMApbdsgWHpQykOWQ.png" /><figcaption>Çıktı görseli</figcaption></figure><p>Gerçekleştirmiş olduğumuz uygulama, yukarıdaki görselde görebileceğiniz gibi hem arabaları hem de bisikleti segmentlere ayırmada oldukça başarılı olmuştur.</p><h4>Kaynaklar</h4><ul><li><a href="https://www.muhendisbeyinler.net/mask-r-cnn-bir-nesne-tanima-algoritmasi/">https://www.muhendisbeyinler.net/mask-r-cnn-bir-nesne-tanima-algoritmasi/</a></li><li><a href="https://viso.ai/deep-learning/mask-r-cnn/#:~:text=Mask%20R-CNN%20is%20a,overview%20of%20Mask%20R-CNN">https://viso.ai/deep-learning/mask-r-cnn/#:~:text=Mask%20R-CNN%20is%20a,overview%20of%20Mask%20R-CNN</a></li><li><a href="https://blog.paperspace.com/mask-r-cnn-in-tensorflow-2-0/">https://blog.paperspace.com/mask-r-cnn-in-tensorflow-2-0/</a></li><li><a href="https://www.analyticsvidhya.com/blog/2019/07/computer-vision-implementing-mask-r-cnn-image-segmentation/">https://www.analyticsvidhya.com/blog/2019/07/computer-vision-implementing-mask-r-cnn-image-segmentation/</a></li></ul><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=b2ae2b2b847a" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[R-CNN, Fast R-CNN ve Faster R-CNN Mimarileri]]></title>
            <link>https://medium.com/@elifbeyzaozkan/r-cnn-fast-r-cnn-ve-faster-r-cnn-mimarileri-f0b720ab931c?source=rss-1bed1ce37824------2</link>
            <guid isPermaLink="false">https://medium.com/p/f0b720ab931c</guid>
            <category><![CDATA[r-cnn]]></category>
            <category><![CDATA[deep-learning]]></category>
            <category><![CDATA[object-detection]]></category>
            <dc:creator><![CDATA[Elif Beyza Ozkan]]></dc:creator>
            <pubDate>Sun, 18 Sep 2022 20:26:48 GMT</pubDate>
            <atom:updated>2022-09-18T20:26:48.209Z</atom:updated>
            <content:encoded><![CDATA[<p>“<a href="https://medium.com/@elifbeyzaozkan/derin-%C3%B6%C4%9Frenmede-bilgisayarl%C4%B1-g%C3%B6r%C3%BC-8679ddd7fb1e">Derin Öğrenmede Bilgisayarlı Görü</a>” başlıklı yazımda yüz tanıma, görüntü sınıflandırma ve nesne tespiti gibi birçok alanda kullanılan CNN (Convolution Neural Network) algoritmasından bahsetmiştik.</p><p>CNN, evrensel olarak kullanılan derin öğrenme modeli türüdür, ancak bir görselde aynı anda sadece bir nesne tespit edebilmesi olumsuz yanlarından biridir.</p><p>Bu nedenle görüntü işlemede bu sorunu çözmek için araştırmacılar R-CNN derin nesne tanıma mimarilerini geliştirmişlerdir.</p><h4>R-CNN (Regions with CNN)</h4><p>R-CNN mimarisi, görüntülerde bulunan objelere ait sınıfları ve bu objelere ait bounding box’ları (sınırlayıcı kutular) tespit etmek için kullanılmaktadır.</p><p>R-CNN, iki aşamalı bir nesne algılama algoritmasıdır.</p><ul><li>İlk aşama, <strong>selective search (seçici arama)</strong> ile görselde obje olmaya aday feature’lar belirlenmesidir.</li><li>İkinci aşama ise yaklaşık 2000 <strong>region (bölge)</strong> belirlendikten sonra her birinin ayrı ayrı bir CNN modeline girdi olarak girmesi ve sınıflarının (SVM modellerinde), bounding box’larının (regresyon modellerinde) tahmin edilmesidir.</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/730/1*DZuq9k3sgkyUl-1KpDKP9w.png" /><figcaption>R-CNN mimarisi (Kaynak: <a href="https://www.mathworks.com/help/vision/ug/getting-started-with-r-cnn-fast-r-cnn-and-faster-r-cnn.html">https://www.mathworks.com/help/vision/ug/getting-started-with-r-cnn-fast-r-cnn-and-faster-r-cnn.html</a>)</figcaption></figure><p><strong>Selective Search (Seçici Arama): </strong>“<a href="https://medium.com/@elifbeyzaozkan/yolo-you-only-look-once-6f5d47a14500">YOLO — You Only Look Once</a>” başlıklı yazımda detaylıca bahsettiğim gibi Non-Max Supression yöntemi yardımıyla doğru bounding box’ları belirlemek için kullanılan bir metottur.</p><p>İlk olarak ufak bölgeler belirlenmekte, ardından birbirine benzer olan iki bölge birleştirilip daha büyük yeni bölge elde edilmektedir. Bu işlem tekrarlı olarak devam ederek, görselde bulunan objelerin sınıflandırılması sağlanmaktadır.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/742/1*AISrfii_5UurXKyfRjSlJQ.png" /><figcaption>Selective Search (Kaynak: <a href="https://teknoloji.org/nesne-tanima-algoritmalari-r-cnn-fast-r-cnn-ve-faster-r-cnn-nedir/">https://teknoloji.org/nesne-tanima-algoritmalari-r-cnn-fast-r-cnn-ve-faster-r-cnn-nedir/</a> )</figcaption></figure><p>R-CNN mimarisinin eğitim süresi yaklaşık olarak 84 saat ve tahmin süre yaklaşık olarak 47 saniye sürmektedir. Bu kadar uzun süre gerektirmesinin sebebi her görüntünün 2000 bölge için, 2000 farklı CNN ağı kullanılmasıdır. Ayrıca, çok zaman almasına ek olarak, maliyetinin yüksek olması ve çok fazla disk alanı gerektirmesi R-CNN’in diğer olumsuz yönleridir.</p><h4>Fast R-CNN</h4><p>R-CNN mimarisinde 2000 farklı region (bölge) belirlendikten sonra bu 2000 bölge için 2000 farklı CNN ağı kullanılmasının eğitim süresinin çok fazla uzamasına sebep olduğundan bahsetmiştik. Fast R-CNN mimarisi bu duruma çözüm olması için geliştirilmiştir.</p><p>Fast R-CNN mimarisi 2000 CNN modelinden kurtulup sadece tek bir model kullanmaktadır. Bu aynı zamanda disk alanından da tasarrufu sağlamaktadır.</p><p>Ayrıca, R-CNN’de kullanılan CNN, SVM ve Regressor birleştirilerek perfomans anlamında da büyük gelişme sağlanmıştır.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/692/1*dAOc_RAY93sQ4a7B9vyhxw.png" /><figcaption>Fast R-CNN mimarisi (Kaynak: <a href="https://teknoloji.org/nesne-tanima-algoritmalari-r-cnn-fast-r-cnn-ve-faster-r-cnn-nedir/">https://teknoloji.org/nesne-tanima-algoritmalari-r-cnn-fast-r-cnn-ve-faster-r-cnn-nedir/</a> )</figcaption></figure><p>Fast R-CNN mimarisinin eğitim süresi yaklaşık olarak 8.75 saat ve tahmin süresi yaklaşık olarak 2.3 saniye sürmektedir.</p><h4>Faster R-CNN</h4><p>Faster R-CNN, Fast R-CNN’e kıyasla maliyet açısından yük olan selective search yerine daha kullanışlı olan <strong>Region Proposal Network (RPN) </strong>kullanmaktadır.</p><p>Faster R-CNN mimarisi iki temel aşamadan oluşmaktadır.</p><ul><li><strong>Region Proposal Network (RPN)</strong>: İlk aşama olan RPN, bölge önermeye yarayan derin, evrişimli bir sinir ağıdır. Girdi olarak herhangi bir boyutta girdiyi almakta ve obje skoruna göre bir dizi nesnelere ait olabilecek dikdörtgen teklifi ortaya çıkarmaktadır. Bu öneriyi, evrişimli katman tarafından oluşturulan feature map üzerinde küçük bir ağı kaydırarak yapmaktadır.</li><li><strong>Fast R-CNN:</strong> RPN tarafından üretilen hesaplamaların Fast R-CNN mimarisine sokulmakta ve bir sınıflandırıcı ile objenin sınıfı, regressor ile de bounding box’un tahmin edilmektedir</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/728/1*JfZ3n64QIsk4URuAIbdw8w.png" /><figcaption>Faster R-CNN mimarisi (Kaynak: <a href="https://teknoloji.org/nesne-tanima-algoritmalari-r-cnn-fast-r-cnn-ve-faster-r-cnn-nedir/">https://teknoloji.org/nesne-tanima-algoritmalari-r-cnn-fast-r-cnn-ve-faster-r-cnn-nedir/</a>)</figcaption></figure><p>Faster R-CNN mimarisinin eğitim süresi yaklaşık olarak 8.75 saat ve tahmin süresi yaklaşık olarak 0.3 saniye sürmektedir.</p><p>Temel hatlarıyla R-CNN, Fast R-CNN ve Faster R-CNN mimarilerinden bahsettik. İncelediğimiz mimarilerin özelliklerini içeren özet niteliğindeki tablo ile yazımızı sonlandıralım.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/840/1*Fdzy2Y1KtSoyG1F-pfgtcQ.png" /></figure><h4>Kaynaklar</h4><ul><li><a href="https://teknoloji.org/nesne-tanima-algoritmalari-r-cnn-fast-r-cnn-ve-faster-r-cnn-nedir/">https://teknoloji.org/nesne-tanima-algoritmalari-r-cnn-fast-r-cnn-ve-faster-r-cnn-nedir/</a></li><li><a href="https://www.mathworks.com/help/vision/ug/getting-started-with-r-cnn-fast-r-cnn-and-faster-r-cnn.html">https://www.mathworks.com/help/vision/ug/getting-started-with-r-cnn-fast-r-cnn-and-faster-r-cnn.html</a></li><li><a href="https://analyticsindiamag.com/r-cnn-vs-fast-r-cnn-vs-faster-r-cnn-a-comparative-guide/">https://analyticsindiamag.com/r-cnn-vs-fast-r-cnn-vs-faster-r-cnn-a-comparative-guide/</a></li></ul><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=f0b720ab931c" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[YOLO’da Etiketleme ve Veri Seti Eğitimi]]></title>
            <link>https://medium.com/@elifbeyzaozkan/yolo-ile-etiketleme-ve-nesne-tespiti-uygulamas%C4%B1-26143b445f37?source=rss-1bed1ce37824------2</link>
            <guid isPermaLink="false">https://medium.com/p/26143b445f37</guid>
            <category><![CDATA[darknet]]></category>
            <category><![CDATA[object-detection]]></category>
            <category><![CDATA[deep-learning]]></category>
            <category><![CDATA[python]]></category>
            <category><![CDATA[yolo]]></category>
            <dc:creator><![CDATA[Elif Beyza Ozkan]]></dc:creator>
            <pubDate>Sun, 18 Sep 2022 09:01:36 GMT</pubDate>
            <atom:updated>2022-09-28T12:08:45.822Z</atom:updated>
            <content:encoded><![CDATA[<p><a href="https://medium.com/@elifbeyzaozkan/yolo-you-only-look-once-6f5d47a14500">Bir önceki yazımda</a> YOLO algoritmasının çalışma aşamalarından ve bugüne kadar geliştirilmiş YOLO sürümlerinden bahsetmiştik. Bu yazımda ise Ubuntu üzerinde sıfırdan bir veri seti oluşturup, etiketleyecek ve ardından veri setini eğiteceğiz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*QAcItobDFBzdAQ6unmG6rA.jpeg" /><figcaption>Kaynak: <a href="https://yazilimkaravani.net/sifirdan-yolo-v4-tiny-ozellesmis-nesne-tespiti-custom-object-detection/">https://yazilimkaravani.net/sifirdan-yolo-v4-tiny-ozellesmis-nesne-tespiti-custom-object-detection/</a></figcaption></figure><blockquote><strong>Adım-1: Veri oluşturma ve etiketleme</strong></blockquote><p>İlk olarak, tespit etmek istenilen nesneleri içeren görsellerden oluşan bir dosya oluşturulmuştur. Dosya 30 adet araba içeren görsellerden oluşmaktadır. Uygulamanın doğruluğunun artması için ne kadar çok veri kullanılırsa o kadar iyidir. Ancak uygulamanın çok uzun sürmemesi için 30 görsel kullanılmıştır.</p><p>Ardından pip install labelImgkomutu kullanarak labelImg uygulamasını indirilmiştir.</p><p><strong>Labelling</strong>, görüntü etiketleme, bir görüntüdeki çeşitli ayrıntıları tanımlama ve işaretleme işlemi olarak tanımlanmaktadır. <strong>LabelImg</strong> ise her bir görüntüde nesnelerin etrafına görsel kutular çizmenize olanak tanıyarak görüntü etiketlemenin ücretsiz ve kolay bir yoludur.</p><p>İndirme işlemi tamamlandıktan sonra terminale labelImg yazarak uygulamanın açılmasını sağlıyoruz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/886/1*oEwCDhzX33naQfxJtRs4KA.png" /></figure><p>Uygulama açıldıktan sonra:</p><ul><li><strong>Open Dir </strong>seçeneği ile hangi dosya üzerinde etiketleme yapılacağı seçilmektedir. Masaüstünde önceden hazırlamış olduğum araba görsellerinden oluşan “cars” dosyasını seçiyorum.</li><li><strong>Change Save Dir</strong> seçeneği ile etiketlerin hangi dosyaya kaydedileceği seçilmektedir. Aynı şekilde “cars” klasörünü seçiyorum.</li><li>Hangi model için etiketleme yapıldığı seçilmektedir. Bu uygulamada <strong>YOLO</strong> için etiketleme yapıldığı için YOLO seçilmiştir.</li><li><strong>Create Rectbox</strong> (kısayol tuşu: W) seçeneği ile görselin içerisinde nesneyi içerisine alacak şekilde bir kutu oluşturularak her görsel için etiketleme işlemi gerçekleştirilmektedir.</li><li><strong>Save</strong> (ctrl s) seçeneği ile de kaydetme işlemi gerçekleştirilmektedir.</li></ul><p>Etiketleme işlemi tamamlandıktan sonra etiketlemeleri kaydettiğimiz dosyayı kontrol ettiğimizde her görsel için nesnenin sınıfını ve koordinatlarını içeren ayrı bir .txt dosyası oluşturulduğu görülmektedir:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/517/1*KawapoOMZlDr9FvQADY0Vw.png" /></figure><blockquote><strong>Adım-2: Veri setinin eğitim ve test seti olarak ayrılması ve gerekli dosyaların elde edilmesi</strong></blockquote><p>Etiketleme işlemi tamamlandıktan sonra veriler eğitim ve test setleri olarak ayrılmalıdır. Bu işlem aşağıdaki kod ile gerçekleştirilmektedir:</p><pre>import os </pre><pre>full_path_to_images =  &#39;cars&#39; # cars yerine kendi txt dosyalarınızın bulunduğu dosya yolunu kopyalayınız</pre><pre>os.chdir(full_path_to_images) </pre><pre>p = [] </pre><pre>for current_dir, dirs, files in os.walk(&#39;.&#39;):    <br>   for f in files:        <br>      if f.endswith(&#39;.jpeg&#39;):               <br>         path_to_save_into_txt_files = full_path_to_images + &#39;/&#39; + f <br>              <br>         p.append(path_to_save_into_txt_files + &#39;\n&#39;)  </pre><pre>p_test = p[:int(len(p) * 0.15)] <br>p = p[int(len(p) * 0.15):]  </pre><pre>with open(&#39;train.txt&#39;, &#39;w&#39;) as train_txt:    <br>   for e in p:        <br>      train_txt.write(e) </pre><pre>with open(&#39;test.txt&#39;, &#39;w&#39;) as test_txt:    <br>   for e in p_test:        <br>      test_txt.write(e)</pre><p>Kodun çalıştırılması sonucu veri seti eğitim ve test seti olmak üzere aşağıdaki gibi başarılı bir şekilde ayrılmıştır.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*Dh7JRrALHXHcPY_96pX67Q.png" /><figcaption>Test ve eğitim setleri</figcaption></figure><p>Ardından aşağıdaki kod çalıştırılarak eğitim setimiz için gerekli olan etiketlerin yazılı olduğu bir “classes.names” dosyası ve eğitim, test verilerinin dosya yollarının yazılı olduğu bir “labelled_data.data” dosyası elde edilmesi sağlanmıştır.</p><pre>full_path_to_images = &#39;cars&#39;<br><br>c = 0<br><br>with open(full_path_to_images + &#39;/&#39; + &#39;classes.names&#39;, &#39;w&#39;) as names, \<br>     open(full_path_to_images + &#39;/&#39; + &#39;classes.txt&#39;, &#39;r&#39;) as txt:<br><br>    for line in txt:<br>        names.write(line) <br><br>        c += 1<br><br>with open(full_path_to_images + &#39;/&#39; + &#39;labelled_data.data&#39;, &#39;w&#39;) as data:<br>    data.write(&#39;classes = &#39; + str(c) + &#39;\n&#39;)<br><br>    data.write(&#39;train = &#39; + full_path_to_images + &#39;/&#39; + &#39;train.txt&#39; + &#39;\n&#39;)<br><br>    data.write(&#39;valid = &#39; + full_path_to_images + &#39;/&#39; + &#39;test.txt&#39; + &#39;\n&#39;)<br><br>    data.write(&#39;names = &#39; + full_path_to_images + &#39;/&#39; + &#39;classes.names&#39; + &#39;\n&#39;)<br><br>    data.write(&#39;backup = backup&#39;)</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*PKlBVNqh6gnm25GX7Vx4zQ.png" /><figcaption>classes.names ve labelled_data.data dosyaları</figcaption></figure><blockquote><strong>Adım-3: YOLO çalışma ağı Darknet’in kurulumu</strong></blockquote><p><strong>Darknet</strong>, bir önceki yazımda da kısaca değindiğim gibi YOLO’nun çalışma ağıdır. C ve CUDA’da yazılmış olan sinir ağlarının uygulanması için yüksek performanslı bir açık kaynak çerçevesidir.</p><p>Darknet, <strong>git komutu</strong> ile yüklenmektedir. Bu sebeple, gerekli güncelleştirmelerin yapılmış olması ve git komutunun yüklenmiş olması gerekmektedir. Eğer bu aşamaları gerçekleştirmediyseniz sudo apt update ve sudo apt install git kodlarını çalıştırarak çözüme ulaşabilirsiniz.</p><p>Ardından terminalde aşağıdaki kodu çalıştırılarak Darknet’in yüklenmesi sağlanmaktadır.</p><pre>git clone <a href="https://github.com/AlexeyAB/darknet.git">https://github.com/AlexeyAB/darknet.git</a></pre><p>Yükleme işleminden sonra cd darknet komutu ile Darknet klasörüne gidilmekte ve makekomutu ile Darknet’in yapılandırılması sağlanmaktadır.</p><p>Son olarak ./darknet komutu ile Darknet’in doğru bir şekilde kurulup kurulmadığı kontrol edilebilmektedir. usage: ./darknet çıktısının elde edilmesi sorunsuz bir şekilde kurulduğunu göstermektedir.</p><p>Ancak, modeli eğitme adımına geçmeden önce dikkat edilmesi gereken bir kısım vardır!</p><p>Eğitim CPU üzerinden gerçekleştirilecekse Darknet klasörü içerisindeki Makefile dosyası açılmalı ve OPENCV = 0 eşitliği OPENCV = 1 olarak değiştirilip, kaydedilmelidir. Ardından make komutu ile Darknet tekrar yapılandırılmalıdır. Bu aşamada OpenCv’nin kurulu olmadığına dair hata alınması durumunda sudo apt install libopencv-dev komutu çalıştırılarak sorun çözüme ulaştırabilmektedir. Tekrar make komutu ile ortam derlenerek bir sonraki adıma geçilebilir.</p><blockquote><strong>Adım-4: Modeli eğitme</strong></blockquote><p>Veri setinin bulunduğu dosyada ikinci adımdaki kodları çalıştırarak oluşturduğumuz .data dosyası Darknet klasörü içerisindeki <strong>cfg dosyasına </strong>kopyalanmıştır. Ardından Darknet klasörü içerisine <strong>weights dosyası</strong> oluşturularak, indirdiğimiz <a href="https://pjreddie.com/media/files/darknet53.conv.74"><strong>Darknet53 modelinin evrişemsel katman ağırlıklarını</strong></a> yerleştiriyoruz.</p><p>Son olarak, aşağıdaki komut çalıştırılarak modelin eğitimi başlatılmıştır. “labelled_data.data” dosyası farklılık sizde gösterebilmektedir. Yerine kendi VeriKlasörünüzAdı.data yazılmalıdır.</p><pre>./darknet detector train cfg/labelled_data.data cfg/yolov3.cfg weights/darknet53.conv.74</pre><p>Komut çalıştırıldıktan sonra şu şekilde hata alınması durumunda cfg dosyasındaki yolov3.cfg dosyasında hataya uygun değişikler yaparak çözüme ulaşabilirsiniz.</p><ul><li>Örneğin, batch kısmından şu şekilde hata alınması durumunda “Error: you set incorrect value batch=1 for Training! You should st batch = 64 subdivision = 64&quot; gerekli değişikler yapılmalıdır.</li></ul><p>Komutun çalıştırılması sonucu alınan çıktı şu şekildedir:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/827/1*08LTS_3631WDwDZfve3hdg.png" /></figure><p>Ve şu şekilde devam etmektedir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/851/1*IxjD7W_gbEfMDXpib9ZCnQ.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*9cATuHUAVihGtgptsgsleQ.png" /></figure><p>Bu çalışmadan maximum verim ve doğruluk alınabilmesi için işlemin minimum 1000 adımda gerçekleşmesi gerekmektedir. Ancak, verilerin eğitim süresi bilgisayarınızın hızına ve veri setinin büyüklüğüne bağlı olarak değişkenlik göstermesi sebebiyle bu çalışma kısa süre çalıştırılmıştır. Eğitim durdurulduktan sonra aşağıdaki kod çalıştırılarak eğitime devam edilebilmektedir.</p><pre>./darknet detector train cfg/labelled_data.data cfg/yolov3.cfg backup/eğitimsonunndaoluşandosya.weights</pre><p>Son olarak, eğitim sonunda Darknet klasöründeki backup dosyası içerisinde .weight isimli bir dosya oluşmaktadır. Bu dosya ile terminalde aşağıdaki komut çalıştırılarak veri seti test edilebilmektedir. Ama öncesinde, Darknet klasöründeki data dosyasına test etmek istenilen görsel kopyalanmalıdır.</p><pre>./darknet detector test cfg/labelled_data.data cfg/yolov3.cfg backup/yolov3_last.weights data/car.jpeg</pre><h4>Kaynaklar</h4><ul><li><a href="https://www.youtube.com/watch?v=H10L5BXdjdY">Youtube Kanalı: Yakup Keskin</a></li><li><a href="https://aylablgn.medium.com/yolov3de-%C3%B6rnek-uygulama-ve-etiketleme-98c2d34cb414">https://aylablgn.medium.com/yolov3de-%C3%B6rnek-uygulama-ve-etiketleme-98c2d34cb414</a></li><li><a href="https://burakzdd.medium.com/yolo-da-etiketleme-ve-veri-seti-e%C4%9Fitimi-f566416ba8f9">https://burakzdd.medium.com/yolo-da-etiketleme-ve-veri-seti-e%C4%9Fitimi-f566416ba8f9</a></li><li><a href="https://pjreddie.com/darknet/yolo/">https://pjreddie.com/darknet/yolo/</a></li></ul><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=26143b445f37" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[YOLO — You Only Look Once]]></title>
            <link>https://medium.com/@elifbeyzaozkan/yolo-you-only-look-once-6f5d47a14500?source=rss-1bed1ce37824------2</link>
            <guid isPermaLink="false">https://medium.com/p/6f5d47a14500</guid>
            <category><![CDATA[cnn]]></category>
            <category><![CDATA[deep-learning]]></category>
            <category><![CDATA[yolo]]></category>
            <category><![CDATA[object-detection]]></category>
            <dc:creator><![CDATA[Elif Beyza Ozkan]]></dc:creator>
            <pubDate>Mon, 12 Sep 2022 17:29:59 GMT</pubDate>
            <atom:updated>2022-09-12T20:51:25.847Z</atom:updated>
            <content:encoded><![CDATA[<h3>YOLO — You Only Look Once</h3><p>Açılımı <strong>“You Only Look Once” </strong>olan <strong>YOLO, </strong>evrişimsel sinir ağlarını (CNN- convents) kullanarak nesne tespitini hızlı ve doğruluğu yüksek bir şekilde yapan regresyona dayalı bir algoritmadır.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/872/1*6Hh2xLZmWnf7v-y1h5AkKA.png" /></figure><p>YOLO algoritması, adından da anlaşılacağı gibi çalışmaya başladığında görüntülerdeki veya videolardaki nesneleri ve bu nesnelerin koordinatlarını<strong> tek seferde</strong> tespit etmesi özelliğiyle ön plana çıkmaktadır.</p><h4><strong>YOLO Algoritması Nasıl Çalışmaktadır?</strong></h4><blockquote><strong>Görselin ızgaralara (grids) bölünmesi</strong></blockquote><p>YOLO algoritması ilk olarak görüntüyü N x N boyutuna sahip <strong>ızgaralara (grids)</strong> bölmektedir. Her ızgara kendi içerisinde nesne olup olmadığını algılamaktadır. Ardından içerisinde nesne olan ızgaralar nesnenin merkez noktasının ızgara içerisinde bulunup bulunmadığını tespit etmekte ve böylelikle merkez noktaya sahip ızgara belirlenmektedir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/483/1*oIISLctopEv_QMWYpvjj7Q.png" /><figcaption>Kaynak: <a href="https://www.section.io/engineering-education/introduction-to-yolo-algorithm-for-object-detection/">https://www.section.io/engineering-education/introduction-to-yolo-algorithm-for-object-detection/</a></figcaption></figure><blockquote><strong>Bounding box çizilmesi</strong></blockquote><p>Daha sonra belirlenen ızgaradan yararlanılarak nesneleri çevreleyen <strong>bounding box</strong> olarak adlandırılan kutular çizilmektedir. Görüntüdeki her bounding box aşağıdaki dört tanımlayıcıdan oluşmaktadır:</p><ul><li>Bounding box merkezi (bx,by),</li><li>Genişlik (bw),</li><li>Yükseklik (bh),</li><li>Bir nesnenin sınıfına karşılık gelen c değeri</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/740/1*zu2PaBi_O_mVDh8igkEs9Q.png" /><figcaption>Kaynak: <a href="https://www.section.io/engineering-education/introduction-to-yolo-algorithm-for-object-detection/">https://www.section.io/engineering-education/introduction-to-yolo-algorithm-for-object-detection/</a></figcaption></figure><blockquote><strong>Pc , IoU ve güven skoru değerlerinin hesaplanması</strong></blockquote><p>Ek olarak, bounding box içerisinde bir nesne olma olasılığı olan bir <strong>Pc (probility of class)</strong> değeri hesaplanmaktadır. “1 ” nesne olma olasılığını ifade ederken, “0” nesne olmama olasılığını temsil etmektedir.</p><p>Ayrıca her bir bounding box içerisinde bulunan nesnenin yüzde kaç olasılıkla tahmin edilen nesne olduğunu söyleyen <strong>güven skorunu</strong> hesaplamaktadır.</p><ul><li>Güven skoru = Pc * IoU</li></ul><p>Pc kavramından önceki paragrafta bahsetmiştik. <strong>IoU (intersection over union)</strong> ise gerçekte nesnenin bulunduğu kutu ile tahmin edilen kutunun kesişim değeridir. Nesneleri mükemmel bir şekilde çevreleyen bir çıkış kutusu elde edilmesini sağlamaktadır. Öngörülen kutu gerçek kutuyla aynıysa, IoU 1&#39;e eşittir. Aksi takdirde, 0&#39;a eşittir.</p><blockquote><strong>Non-maximum suppression uygulanması</strong></blockquote><p>Birinci ve ikinci adımda merkez noktaya sahip ızgara belirlenmesinden ve belirlenen ızgaradan yararlanılarak bounding box çizilmesinden bahsettik. Ancak bazen birden fazla ızgara (grid) nesnenin kendi içinde olduğunu düşünebilmekte ve bunun sonucunda görsel üzerinde gereğinden fazla bounding box çizilebilmektedir.</p><p>Non-maximum suppression algoritması görüntü üzerinde tespit edilen nesneler için çizilen bounding boxlardan güven değeri en yüksek olanın ekrana çizilmesini sağlamaktadır.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/851/1*vN8I-p7c1-TJX8z8aepTUA.png" /></figure><p>YOLO’nun çalışma adımlarından bahsettik. Son olarak, YOLO versiyonlarından bahsederek yazımızı sonlandıralım.</p><h4>YOLOv1</h4><p>YOLO’nun ile sürümü olan YOLOv1, 2016 yılında Joseph Redmon ve arkadaşları tarafından geliştirilmiştir. Kısa süre içerisinde, ilk tek aşamalı nesne algılama algoritması olması, dönemin nesne algılama uygulamalarına göre yüksek hıza ve doğruluğa sahip olması sebebiyle en popüler algoritma haline gelmiştir.</p><p>YOLOv1, görüntüleri gerçek zamanlı olarak saniyede 45 kare hızında işlerken, daha küçük bir sürüm olan Fast YOLO, saniyede 155 kareye ulaştı ve yine de diğer gerçek zamanlı dedektörlerin iki kat haritasını elde etti.</p><h4>YOLOv2</h4><p>2017 yılında YOLOv1 sürümünün Joseph Redmon ve Ali Farhadi tarafından geliştirilmesiyle elde edilmiş ve YOLO9000 adıyla tanıtılmıştır.</p><p>Darknet-19&#39;un temel model olarak kullanılması, toplu normalleştirme, yüksek çözünürlüklü bir sınıflandırıcı kullanımı ve bounding boxları tahmin etmek için bağlantı kutularının (anchor boxes) kullanımı ve daha fazlası dahil olmak üzere YOLOv1&#39;i çeşitli şekillerde geliştirir.</p><h4>YOLOv3</h4><p>2018 yılında Joseph Redmon ve Ali Farhadi tarafından YOLOv2 geliştirilerek yayınlanmıştır. YOLOv3&#39;te softmax aktivasyon fonksiyonu, bağımsız lojistik sınıflandırıcılarla değiştirilmiş ve darknet-19 mimarisi geliştirilerek elde edilen darknet-53 mimarisine dayanan bir sürüm elde edilmiştir. Bunun yanı sıra daha küçük nesnelerde performansı artırmak için üç ayrı ayrıntı düzeyinde tahminler yapılmıştır.</p><h4>YOLOv4</h4><p>Nisan 2020 tarihindeAlexey Bochkovskiy, Chien-Yao Wang ve Hong-Yuan Mark Liao tarafından piyasaya sürülen bu sürüm, SPDarknet53 mimarisine dayanmaktadır.</p><p>YOLOv4, YOLOv3&#39;e kıyasla %10 daha yüksek ortalama hassasiyet (AP) ve %12 daha iyi FPS elde etmektedir.</p><h4>YOLOv5</h4><p>Haziran 2020 tarihinde Glenn Jocher tarafından GitHub’da yayınlanmıştır. En iyi yanı, PyTorch’ta yerel olarak uygulanması ve darknet çerçevesinin sınırlamalarını ortadan kaldırmasıdır. YOLO v5&#39;in YOLO v4&#39;ten son derece hızlı ve hafif olduğu söylenirken, doğruluğunun YOLO v4&#39;ten farkı olmadığı gözlemlenmiştir.</p><p>YOLOv5 başlıca iyileştirmeleri, mozaik veri artırma ve otomatik öğrenme sınırlayıcı kutu bağlantılarını içermektedir.</p><h4>Kaynaklar</h4><ul><li><a href="https://www.section.io/engineering-education/introduction-to-yolo-algorithm-for-object-detection/">https://www.section.io/engineering-education/introduction-to-yolo-algorithm-for-object-detection/</a></li><li><a href="http://gorselanaliz.com/yolo-nedir/#page-content">http://gorselanaliz.com/yolo-nedir/#page-content</a></li><li><a href="https://appsilon.com/object-detection-yolo-algorithm/#:~:text=YOLO%20(%E2%80%9CYou%20Only%20Look%20Once,by%20Joseph%20Redmon%20et%20al.">https://appsilon.com/object-detection-yolo-algorithm/#:~:text=YOLO%20(%E2%80%9CYou%20Only%20Look%20Once,by%20Joseph%20Redmon%20et%20al.</a></li><li><a href="https://pyimagesearch.com/2022/04/04/introduction-to-the-yolo-family/">https://pyimagesearch.com/2022/04/04/introduction-to-the-yolo-family/</a></li><li><a href="https://towardsdatascience.com/yolo-v4-or-yolo-v5-or-pp-yolo-dad8e40f7109#:~:text=The%20first%20three%20YOLO%20versions,YOLO%20v5%20and%20PP-YOLO">https://towardsdatascience.com/yolo-v4-or-yolo-v5-or-pp-yolo-dad8e40f7109#:~:text=The%20first%20three%20YOLO%20versions,YOLO%20v5%20and%20PP-YOLO</a></li></ul><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=6f5d47a14500" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Derin Öğrenme Mimarileri: LeNet, AlexNet, GoogleNet, VGGNet, ResNet]]></title>
            <link>https://medium.com/@elifbeyzaozkan/derin-%C3%B6%C4%9Frenme-mimarileri-lenet-alexnet-googlenet-vggnet-resnet-9905cdb4b3fe?source=rss-1bed1ce37824------2</link>
            <guid isPermaLink="false">https://medium.com/p/9905cdb4b3fe</guid>
            <category><![CDATA[imagenet]]></category>
            <category><![CDATA[deep-learning]]></category>
            <category><![CDATA[lenet]]></category>
            <category><![CDATA[keras]]></category>
            <category><![CDATA[python]]></category>
            <dc:creator><![CDATA[Elif Beyza Ozkan]]></dc:creator>
            <pubDate>Wed, 07 Sep 2022 09:02:16 GMT</pubDate>
            <atom:updated>2022-09-17T19:20:22.571Z</atom:updated>
            <content:encoded><![CDATA[<p>Bir önceki yazımda <a href="https://medium.com/@elifbeyzaozkan/derin-%C3%B6%C4%9Frenmede-bilgisayarl%C4%B1-g%C3%B6r%C3%BC-8679ddd7fb1e"><strong>Derin Öğrenmede Bilgisayarlı Görü başlığı altında evrişimsel sinir ağından (CNN- convents)</strong></a><strong> </strong>bahsetmiştik. Bu yazımda ise evrişimsel sinir ağı mimarilerini inceleyeceğiz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/892/1*VUiDwIQL2uF646SJyCLq_A.png" /></figure><h3>LeNet (1998)</h3><p>LeNet, 1998 yılında Yann LeCun ve arkadaşları tarafından <a href="http://yann.lecun.com/exdb/publis/pdf/lecun-01a.pdf">Gradient-Based Learning Applied to Document Recognition</a> adlı araştırma makalesinde önerilen ve ilk amacı, görüntülerdeki el yazısı rakamları tanımak olan bir CNN yapısıdır.</p><p>Sisteminizde GPU yoksa CPU üzerinde de çalışabilen<strong> anlaşılması kolay ve küçük</strong> (bellekte kapladığı yer açısından) bir mimaridir. Ancak tabi ki sisteminizin GPU destekli olması ve GPU’ya Keras üzerinden erişilebiliyor olması eğitim sürecini çok hızlı bir hale getirecektir.</p><p>3 tane convolutional layer (evrişim katmanı), 2 tane average pooling layer (ortalama havuzlama katmanı), 2 tane <a href="https://towardsdatascience.com/convolutional-layers-vs-fully-connected-layers-364f05ab460b">fully connected layer (tam bağlantılı- yoğun katman)</a> olmak üzere 7 katmandan oluşan LeNet mimarisi şu şekilde açıklanmıştır:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/593/1*oc5qJmDNRV5Hqh5UCT7n7Q.png" /><figcaption>Kaynak: <a href="https://www.analyticsvidhya.com/blog/2021/03/the-architecture-of-lenet-5/">https://www.analyticsvidhya.com/blog/2021/03/the-architecture-of-lenet-5/</a></figcaption></figure><p>Girdi, 32 x 32 gri tonlamalı (dolayısıyla kanal sayısı birdir) bir görüntüdür.</p><ol><li>Girdiye 5 x 5 boyutunda 6 adet filtre uygulanarak ilk evrişim işlemi gerçekleştirilmiş ve 28 x 28 x 6 boyutunda bir feature map elde edilmiştir. (Çıktı boyutu= ((32–5+1) x (32–5+1) x 6))</li><li>Ardından, <a href="https://towardsdatascience.com/you-should-understand-sub-sampling-layers-within-deep-learning-b51016acd551">average pooling (ortalama havuzlama) veya subsampling (alt örnekleme)</a> uygulanarak feature map boyutunun yarıya düşürülmesi sağlanmıştır. (Feature map boyutu: 14 x 14 x 6)</li><li>5 x 5 boyutunda 16 adet filtre içeren ikinci evrişim katmanı uygulanarak 10 x 10 x 16 boyutunda feature map elde edilmiştir.</li><li>Tekrardan feature map boyutunu yarıya düşürecek average pooling veya subsampling uygulanmıştır. (Feature map boyutu: 5 x 5 x 16)</li><li>Daha sonra, 120 filtreli 5 x 5 boyutunda son evrişim katmanı uygulanmıştır. (Feature map boyutu: 1 x 1 x 120)</li><li>84 nöronlu <a href="https://towardsdatascience.com/convolutional-layers-vs-fully-connected-layers-364f05ab460b">fully connection layer (tam bağlantılı- yoğun katman)</a> uygulanmıştır.</li><li>Çıkış katmanı, 0&#39;dan 9&#39;a kadar olan rakamlara karşılık gelen 10 olası değere sahip fully conneciton layer.</li></ol><p>LeNet mimarisinin özeti şu şekildedir:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/841/1*rdSVsKvQ0ZZe27xyhWpoWw.png" /><figcaption>Kaynak: <a href="https://www.datasciencecentral.com/lenet-5-a-classic-cnn-architecture/">https://www.datasciencecentral.com/lenet-5-a-classic-cnn-architecture/</a></figcaption></figure><h3>AlexNet (2012)</h3><p>Büyük ölçüde LeNet üzerinde evrimsel bir gelişme olan AlexNet, çok zorlu veri kümelerinde <strong>yüksek doğruluk</strong> elde edebilen inanılmaz derecede <strong>güçlü</strong> bir CNN yapısıdır.</p><p>AlexNet, “<a href="http://www.image-net.org/">ImageNet</a>” sınıflandırma doğruluğunu önemli bir şekilde artırmayı başarmış, 5 tane “convolutional layer” ve 3 tane “fully connected” layerden oluşan bir CNN mimarisidir. AlexNet mimarisi şu şekildedir:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/960/1*NAwn4aFWyCx2LhxEk_liKQ.png" /><figcaption>Kaynak: <a href="https://blog.paperspace.com/popular-deep-learning-architectures-alexnet-vgg-googlenet/">https://blog.paperspace.com/popular-deep-learning-architectures-alexnet-vgg-googlenet/</a></figcaption></figure><p>LeNet’e kıyasla aktivasyon fonksiyonu olarak tanh yerine hesaplanması daha basit olan ve model eğitimini kolaylaştıran <a href="https://proceedings.neurips.cc/paper/2012/file/c399862d3b9d6b76c8436e924a68c45b-Paper.pdf"><em>ReLU</em> fonksiyonu</a> kullanılarak daha hızlı sonuçlar alınması sağlanmıştır. Ek olarak, <a href="https://proceedings.neurips.cc/paper/2012/file/c399862d3b9d6b76c8436e924a68c45b-Paper.pdf">overfitting sorununu</a> çözüme ulaştırmak için <em>data augmentation (veri büyütmek)</em> ve <em>dropout (bırakmak)</em> olmak üzere iki yöntem kullanılmıştır.</p><h3>GoogleNet/ Inception(2014)</h3><p>GoogLeNet, Google’daki araştırmacılar tarafından geliştirilen 22 katman (pooling layer ile birlikte 27) derinliğine sahip CNN yapısıdır. GoogleNet mimarisi şu şekildedir:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*sjfzX5WmTyeBjEwMxmv_Wg.png" /><figcaption>Kaynak: <a href="https://medium.com/analytics-vidhya/cnns-architectures-lenet-alexnet-vgg-googlenet-resnet-and-more-666091488df5">https://medium.com/analytics-vidhya/cnns-architectures-lenet-alexnet-vgg-googlenet-resnet-and-more-666091488df5</a></figcaption></figure><p>Bu yapıda başlangıç ​​modülü (inception modul) olarak adlandırılan ve 1 x 1, 3 x 3, 5 x 5 evrişim filtrelerini içeren yeni bir öğe kullanılmıştır. Bu öge sayesinde parametre sayısını 60 milyondan (AlexNet) 4 milyona düşürülmesini sağlamıştır.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/838/1*msJLazDkQgOYcSAcdWsTzw.png" /><figcaption>Kaynak: <a href="https://towardsdatascience.com/a-simple-guide-to-the-versions-of-the-inception-network-7fc52b863202">https://towardsdatascience.com/a-simple-guide-to-the-versions-of-the-inception-network-7fc52b86320</a></figcaption></figure><p>ImageNet Büyük Ölçekli Görsel Tanıma Yarışması 2014&#39;te (ILSVRC14) sunulan GoogLeNet mimarisi, görüntü sınıflandırma ve nesne algılama gibi bilgisayarla görme görevlerinin çözülmesini sağlamıştır.</p><h3>VGGNet (2014)</h3><p>Oxford’un ünlü VGG’si (Visual Geometry Group) tarafından önerilen VGGNet, convolutional layer (evrişim katmanı) parametre sayısını azaltma ve eğitim süresini iyileştirme ihtiyacından doğmuştur.</p><p>Yalnızca ağdaki toplam katman sayısında farklılık gösteren birden çok çeşidi bulunmaktadır (VGG16, VGG19, vb.). VGG16 ağının mimarisi şekildeki gibidir:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/861/1*93PLY5oiDvq_PkIivh2bbQ.jpeg" /><figcaption>Kaynak: <a href="https://neurohive.io/en/popular-networks/vgg16/">https://neurohive.io/en/popular-networks/vgg16/</a></figcaption></figure><p>VGGNet, en popüler görüntü tanıma mimarilerinden biridir. Ağırlık yapılandırması herkese açıktır ve temel özellik çıkarıcı olarak diğer birçok uygulamada ve zorlukta kullanılmıştır. Ancak VGGNet16, ele alınması biraz zor olabilen 138 milyon parametreden oluşmaktadır.</p><h3>ResNet (2015)</h3><p>ILSRVC 2015 yarışmasının galibi olan ResNet (Residual Network), şimdiye kadarki en popüler ve en başarılı derin öğrenme modellerinden biridir.</p><p>Residual block’larından oluşan ResNet modelinin devreye girmesiyle birçok derin ağları eğitme sorunu ortadan kalkmıştır. Örneğin, gradyan problemi çözüme ulaştırılmıştır.</p><p>Bu ağda, <strong>skip connecyion (<em>bağlantı atlama)</em></strong> adı verilen bir teknik kullanmaktadır . Skip connection, aradaki bazı katmanları atlayarak bir katmanın aktivasyonlarını diğer katmanlara bağlamakta ve bir <strong>residual block</strong> oluşturmaktadır. Bu şekilde gradyan sorununun önüne geçilmektedir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/640/1*foG-iCktwwuQPfepfKyvUA.png" /></figure><p>ResNet, VGG19&#39;dan ilham alan 34 katmanlı bir düz ağ mimari kullanmaktadır. Yukarıda bahsettiğimiz skip connections ve rsidual blocks daha sonra aşağıda gösterildiği gibi ResNet’e dönüştürmektedir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*Ua-lsVQ2LQvzemXt-AxqHQ.png" /><figcaption>Kaynak: <a href="https://www.geeksforgeeks.org/residual-networks-resnet-deep-learning/">https://www.geeksforgeeks.org/residual-networks-resnet-deep-learning/</a></figcaption></figure><p>Son olarak, MNIST el yazısıyla yazılmış rakam görüntülerini tanımak için LeNet mimarisi ile bir Python uygulaması yaparak yazımızı sonlandıralım.</p><h4>MNIST Verilerini Tanımak için LeNet Uygulaması</h4><p>İlk olarak MNIST veri seti yüklenmiş, eğitim ve test verilerinin boyutları yazdırılmıştır.</p><pre>from keras.datasets import mnist<br>(X_train, y_train), (X_test, y_test) = mnist.load_data()<br>print(&#39;X_train shape&#39;, X_train.shape, &#39;X_test shape&#39;, X_test.shape)<br>&gt;&gt;&gt;X_train shape (60000, 28, 28) X_test shape (10000, 28, 28)</pre><p>Eğitim setinden rastgele 8 görüntü seçilerek görselleştirilmiştir.</p><pre>import matplotlib.pyplot as plt<br>import random</pre><pre>plt.figure(<em>figsize</em> = (12,5))<br>for i in range(8):<br>ind = random.randint(0, len(X_train))<br>plt.subplot(240+1+i)<br>plt.imshow(X_train[ind])</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*S1mPqLFrMxtahxHmX0GLeQ.png" /></figure><p>Ardından, görüntüler gereken Keras boyutunda yeniden boyutlandırılmış, görüntü değerleri tamsayılardan float değerlere dönüştürülmüş, veriler normalize edilmiş ve one-hot encoding layer uygulanmıştır.</p><p>One-hot encoding layer, verileri bir algoritmaya hazırlamak ve daha iyi bir tahmin elde etmek için dönüştürmenin bir yöntemidir.</p><pre>from keras.utils import to_categorical<br><em>def</em> preprocess_data(<em>X_train</em>, <em>y_train</em>, <em>X_test</em>, <em>y_test</em>):</pre><pre><em>  # G</em>örüntülerin gereken Keras boyutunda yeniden boyutlandırılması<em><br>  </em>X_train = X_train.reshape(X_train.shape[0], X_train.shape[1],   X_train.shape[2], 1)<br>  X_test = X_test.reshape(X_test.shape[0], X_test.shape[1], X_test.shape[2], 1)</pre><pre><em>  # G</em>örüntü değerlerini tamsayılardan float değerlere dönüştürme<em><br>  </em>X_train = X_train.astype(&#39;float32&#39;)<br>  X_test = X_test.astype(&#39;float32&#39;)</pre><pre><em>  # Normalleştirme<br>  </em>X_train = X_train/255.0<br>  X_test_norm = X_test/255.0</pre><pre><em>  # One-hot encoding label <br>  </em>y_train = to_categorical(y_train)<br>  y_test = to_categorical(y_test)</pre><pre>  return X_train, y_train, X_test, y_test</pre><p>Yukarıdaki bölümde LeNet mimarisini açıklarken bahsettiğimiz adımları uygulayarak LeNet modeli oluşturulmuştur.</p><pre>from keras.models import Sequential <br>from keras.layers import Conv2D, MaxPooling2D, Dense, Flatten<br>from keras.optimizers import SGD</pre><pre><em># metrics<br></em>from keras.metrics import categorical_crossentropy</pre><pre><em># optimization method<br></em>from keras.optimizers import SGD</pre><pre><em>def</em> LeNet():<br>  model = Sequential()</pre><pre><em>  # Convolutional layer<br>  </em>model.add(Conv2D(<em>filters</em> = 6, <em>kernel_size</em> = (5,5), <em>padding</em> = &#39;same&#39;,  <em>activation</em> = &#39;relu&#39;, <em>input_shape</em> = (28,28,1)))</pre><pre><em>  # Max-pooing layer with pooling window size is 2x2<br>  </em>model.add(MaxPooling2D(<em>pool_size</em> = (2,2)))</pre><pre><em>  # Convolutional layer<br>  </em>model.add(Conv2D(<em>filters</em> = 16, <em>kernel_size</em> = (5,5), <em>activation</em> = &#39;relu&#39;))</pre><pre><em>  # Max-pooling layer<br>  </em>model.add(MaxPooling2D(<em>pool_size</em> = (2,2)))</pre><pre><em>  # Flatten layer<br>  </em>model.add(Flatten())</pre><pre><em>  # The first fully connected layer<br>  </em>model.add(Dense(120, <em>activation</em> = &#39;relu&#39;))</pre><pre><em>  # The output layer<br>  </em>model.add(Dense(10, <em>activation</em> = &#39;softmax&#39;))</pre><pre><em>  # compile the model with a loss function, a metric and an optimizer function<br>  # In this case, the loss function is categorical crossentropy,<br>  # we use Stochastic Gradient Descent (SGD) method with learning rate lr = 0.01 to optimize the loss function<br>  # metric: accuracy</em></pre><pre>  opt = SGD(<em>lr</em> = 0.01)<br>  model.compile(<em>loss</em> = categorical_crossentropy, <em>optimizer</em> = opt, <em>metrics</em> = [&#39;accuracy&#39;])</pre><pre>  return model</pre><pre>LeNet_model = LeNet()<br>LeNet_model.summary()</pre><p>LeNet modeli oluşturulması sonucu aşağıdaki çıktı elde edilmiştir.</p><pre>Model: &quot;sequential&quot;<br>_________________________________________________________________<br> Layer (type)                Output Shape              Param #<br>=================================================================<br> conv2d (Conv2D)             (None, 28, 28, 6)         156</pre><pre>max_pooling2d (MaxPooling2D  (None, 14, 14, 6)        0<br> )</pre><pre>conv2d_1 (Conv2D)           (None, 10, 10, 16)        2416</pre><pre>max_pooling2d_1 (MaxPooling  (None, 5, 5, 16)         0<br> 2D)</pre><pre>flatten (Flatten)           (None, 400)               0</pre><pre>dense (Dense)               (None, 120)               48120</pre><pre>dense_1 (Dense)             (None, 10)                1210</pre><pre>=================================================================<br>Total params: 51,902<br>Trainable params: 51,902<br>Non-trainable params: 0</pre><p>Ardından, eğitim modeli oluşturulmuştur. “epochs” parametresine işlemin kısa sürmesini sağlamak amacıyla 10 değeri verilmiştir. Dilerseniz farklı değerler denerek farkı gözlemleyebilirsiniz.</p><pre><em>def</em> summary_history(<em>history</em>):<br>  plt.figure(<em>figsize</em> = (10,6))<br>  plt.plot(history.history[&#39;accuracy&#39;], <em>color</em> = &#39;blue&#39;, <em>label</em> = &#39;train&#39;)<br>  plt.plot(history.history[&#39;val_accuracy&#39;], <em>color</em> = &#39;red&#39;, <em>label</em> = &#39;val&#39;)<br>  plt.legend()<br>  plt.title(&#39;Accuracy&#39;)<br>  plt.show()</pre><pre><em>def</em> train_model(<em>model</em>, <em>X_train</em>, <em>y_train</em>, <em>X_test</em>, <em>y_test</em>, <em>epochs</em> = 10, <em>batch_size</em> = 128):</pre><pre><em>  # </em>Tüm eğitim ve test verilerini yeniden ölçeklendirme<em><br>  </em>X_train, y_train, X_test, y_test = preprocess_data(X_train, y_train, X_test, y_test)</pre><pre><em>  # Fitting the model<br>  </em>history = model.fit(X_train, y_train, <em>epochs</em> = epochs, <em>batch_size</em> = batch_size, <em>steps_per_epoch</em> = X_train.shape[0]//batch_size, <em>validation_data</em> = (X_test, y_test), <em>validation_steps</em> = X_test.shape[0]//batch_size, <em>verbose</em> = 1)</pre><pre><em>  # Modelin değerlendirilmesi<br>  </em>_, acc = model.evaluate(X_test, y_test, <em>verbose</em> = 1)<br>  print(&#39;%.3f&#39; % (acc * 100.0))<br>  summary_history(history)</pre><pre>train_model(LeNet_model, X_train, y_train, X_test, y_test)</pre><p>Alınan çıktı bu şekildedir:</p><pre>Epoch 1/10<br>2022-09-07 11:30:04.542285: I tensorflow/stream_executor/cuda/cuda_dnn.cc:384] Loaded cuDNN version 8500] Loaded cuDNN version 8500                                                  acy: 0.6726 - val_loss: 46.0752 - val_accuracy: 0.8824<br>468/468 [==============================] - 4s 5ms/step - loss: 1.1068 - accuracy: 0.6726 - val_loss: 46.0752 - val_accuracy: 0.8824                       acy: 0.9090 - val_loss: 30.6848 - val_accuracy: 0.9283<br>Epoch 2/10<br>468/468 [==============================] - 2s 4ms/step - loss: 0.3056 - accuracy: 0.9340 - val_loss: 21.2120 - val_accuracy: 0.9498acy: 0.9090 - val_loss: 30.6848 - val_accuracy: 0.9283<br>Epoch 3/10                                                                   acy: 0.9471 - val_loss: 17.5835 - val_accuracy: 0.9580<br>468/468 [==============================] - 2s 5ms/step - loss: 0.2213 - accuracy: 0.9340 - val_loss: 21.2120 - val_accuracy: 0.9498                       acy: 0.9560 - val_loss: 15.7832 - val_accuracy: 0.9639<br>Epoch 4/10<br>468/468 [==============================] - 2s 5ms/step - loss: 0.1765 - accuracy: 0.9617 - val_loss: 11.6363 - val_accuracy: 0.9712acy: 0.9471 - val_loss: 17.5835 - val_accuracy: 0.9580<br>Epoch 5/10                                                                   acy: 0.9662 - val_loss: 12.6699 - val_accuracy: 0.9706<br>468/468 [==============================] - 2s 5ms/step - loss: 0.1480 - accuracy: 0.9560 - val_loss: 15.7832 - val_accuracy: 0.9639                       acy: 0.9694 - val_loss: 10.3122 - val_accuracy: 0.9765<br>Epoch 6/10<br>468/468 [==============================] - 2s 5ms/step - loss: 0.1281 - accuracy: 0.9713 - val_loss: 11.6092 - val_accuracy: 0.9746acy: 0.9617 - val_loss: 11.6363 - val_accuracy: 0.9712<br>Epoch 7/10                                                                   acy: 0.9734 - val_loss: 8.9008 - val_accuracy: 0.9767<br>468/468 [==============================] - 2s 5ms/step - loss: 0.1135 - accuracy: 0.9767 acy: 0.9662 - val_loss: 12.6699 - val_accuracy: 0.9706<br>Epoch 8/10<br>468/468 [==============================] - 2s 5ms/step - loss: 0.1042 - accuracy: 0.9694 - val_loss: 10.3122 - val_accuracy: 0.9765<br>Epoch 9/10<br>468/468 [==============================] - 2s 5ms/step - loss: 0.0949 - accuracy: 0.9713 - val_loss: 11.6092 - val_accuracy: 0.9746<br>Epoch 10/10<br>468/468 [==============================] - 2s 5ms/step - loss: 0.0890 - accuracy: 0.9734 - val_loss: 8.9008 - val_accuracy: 0.9767<br>313/313 [==============================] - 1s 3ms/step - loss: 8.8865 - accuracy: 0.9767<br>97.670</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/1000/1*pU0L-JnlPqcK_H_NHA8p3A.png" /><figcaption>Eğitim ve test setinde doğruluk</figcaption></figure><p>Tahmin yapılmıştır.</p><pre>import numpy as np</pre><pre><em># predict labels for the test set<br></em>y_test_pred = []</pre><pre>y_pred = LeNet_model.predict(X_test)<br>y_test_pred = []</pre><pre>for t in <em>list</em>(y_pred):<br>  y_test_pred.append(np.argmax(t))</pre><pre><em># </em>y_test_pred&#39;i listeden diziye dönüştürme<em><br></em>y_test_pred = np.asarray(y_test_pred)</pre><p>Son olarak, test setinden rastgele seçilmiş 8 el yazısıyla yazılmış rakam görüntüleri ve bu görüntülerinin tahmin edilen etiketleri görselleştirilmiştir.</p><pre><em># kategoriler<br></em>cates = [&#39;0&#39;, &#39;1&#39;, &#39;2&#39;, &#39;3&#39;, &#39;4&#39;, &#39;5&#39;, &#39;6&#39;, &#39;7&#39;, &#39;8&#39;, &#39;9&#39;]</pre><pre>plt.figure(<em>figsize</em> = (12,7))</pre><pre>for i in np.arange(8):<br>  ind = random.randint(0,len(X_test))<br>  img = X_test[ind]<br>  img = img.reshape(1,28,28,1)<br>  img = img.astype(&#39;float32&#39;)<br>  img = img/255.0<br>  v_p = LeNet_model.predict_classes(img)<br>  plt.subplot(240+1+i)<br>  plt.imshow(X_test[ind])<br>  plt.title(cates[v_p[0]])</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/837/1*d1OBcSDy8gfHDxKLJ4iblg.png" /></figure><p>Sonuç olarak, LeNet model mimarisinin Keras’ta nasıl uygulanacağını inceledik. Bu model, MNIST el yazısı rakam görüntülerini %97,67 performans ile başarılı bir şekilde sınıflandırılmasını sağlamıştır. Yukarıda bahsettiğim gibi “epochs (eğitim tur sayısı)” parametresine farklı değerler vererek model performansındaki değişimi gözlemleyebilirsiniz.</p><p>Çalışmanın tamamına GitHub hesabım üzerinden ulaşabilirsiniz:</p><p><a href="https://github.com/elifozkann/LeNet/blob/54c7b4705b307acd7791fb2d092fe804b5667545/.gitignore">LeNet/.gitignore at 54c7b4705b307acd7791fb2d092fe804b5667545 · elifozkann/LeNet</a></p><h4>Kaynaklar</h4><ul><li><a href="https://www.analyticsvidhya.com/blog/2021/03/the-architecture-of-lenet-5/">https://www.analyticsvidhya.com/blog/2021/03/the-architecture-of-lenet-5/</a></li><li><a href="https://medium.com/@RaghavPrabhu/cnn-architectures-lenet-alexnet-vgg-googlenet-and-resnet-7c81c017b848">https://medium.com/@RaghavPrabhu/cnn-architectures-lenet-alexnet-vgg-googlenet-and-resnet-7c81c017b848</a></li><li><a href="https://towardsdatascience.com/deep-learning-googlenet-explained-de8861c82765">https://towardsdatascience.com/deep-learning-googlenet-explained-de8861c82765</a></li><li><a href="https://www.geeksforgeeks.org/residual-networks-resnet-deep-learning/">https://www.geeksforgeeks.org/residual-networks-resnet-deep-learning/</a></li><li><a href="https://medium.com/mlearning-ai/lenet-and-mnist-handwritten-digit-classification-354f5646c590">https://medium.com/mlearning-ai/lenet-and-mnist-handwritten-digit-classification-354f5646c590</a></li></ul><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=9905cdb4b3fe" width="1" height="1" alt="">]]></content:encoded>
        </item>
    </channel>
</rss>