Cuma, Aralık 6, 2024
Ana SayfaNesnelerin İnternetiYapay ZekaFacebook’un Yeni Bilgisayarlı Görü Modeli, Rastgele Görüntülerden Öğreniyor

Facebook’un Yeni Bilgisayarlı Görü Modeli, Rastgele Görüntülerden Öğreniyor

Bilgisayarlı Görü modelleri, çok miktarda etiketlenmiş veriye ihtiyaç duyar. Bu durum da modellerin eğitilme sürecini uzatır. Ancak Facebook’un yeni Yapay Zeka modeli bu durumun önüne geçmek için bir adım atıyor.

Facebook geçtiğimiz haftalarda, bir dizi bilgisayarlı görü kıyaslamasında görünüşte son teknoloji sonuçlara ulaşan bir milyar görüntü üzerinde eğitilmiş bir yapay zeka modelini duyurdu. Etiketli veri kümelerinden öğrenen çoğu bilgisayar görme modelinin aksine, Facebook, verilerin parçaları arasındaki ilişkileri ortaya çıkararak verilerden etiketler oluşturan bir model inşa etti. Bu daha önce de belirttiğim gibi bu alanda işleri hızlandıracak önemli bir adım.

Yapay zekanın geleceği, açıklamalı veri kümelerine güvenmeksizin kendilerine verilen bilgilerden çıkarımlar yapabilen işçilik sistemlerinde yatıyor. Metin, görüntü veya başka türde veriler sağlandığında, bir AI sistemi ideal olarak bir fotoğraftaki nesneleri tanıyabilir, metni yorumlayabilir veya ondan istenen sayısız diğer görevi yerine getirebilir.

Facebook, SElf-supERvised‘in kısaltması olan SEER adlı bir bilgisayar vizyonu modeliyle bu yönde bir adım attığını iddia ediyor. SEER, bir milyar parametre içerir ve iyileştirme veya açıklama gerekmeden internetteki herhangi bir rastgele görüntü grubundan öğrenebilir. Makine öğrenimi sistemlerinin temel bir parçası olan parametreler, modelin geçmiş eğitim verilerinden türetilen parçalardır.

Self-supervision için kendi kendine denetim zorlu bir görevdir. Metinle, anlamsal kavramlar ayrı kelimelere bölünebilir, ancak görüntülerde, bir model hangi pikselin hangi konsepte ait olduğuna kendisi karar vermelidir. Bu yüzden modeller eğitim sürecinde birçok farklı görüntüyü görmelidir ki nesneleri tanımlayabilsin.

SEER’i geliştirirken Facebook, şirketin kendi kendini denetleyen öğrenmeye yönelik araştırmalarından doğan SwAV adlı bir algoritmadan yararlandı. SwAV, benzer görsel kavramlardan görüntüleri hızlı bir şekilde gruplamak ve benzerliklerinden yararlanmak için kümeleme adı verilen bir teknik kullanır ve 6 kata kadar daha az eğitim süresi gerektirirken kendi kendini denetleyen öğrenmede önceki son teknolojiye göre gelişir.

Facebook yazılım mühendisi Priya Goyal, SEER’in 30 gün boyunca 32GB RAM’e sahip 512 NVIDIA V100 GPU üzerinde eğitim aldığını söyledi.

Facebook, bir milyar halka açık Instagram görüntüsü üzerinde ön eğitim aldıktan sonra SEER’in, en gelişmiş kendi kendini denetleyen sistemlerden daha iyi performans gösterdiğini söylüyor. SEER ayrıca nesne algılama, kümeleme ve görüntü sınıflandırması gibi görevlerde diğer modellerden daha iyi performans gösterdi. Popüler ImageNet veri setindeki örneklerin sadece% 10’u ile eğitildiğinde, SEER yine de% 77,9 doğruluğa ulaşmayı başardı ve bu yine sadece% 1’lik veri ile eğitildiğinde, SEER% 60,5 doğruluk gösterdi.

Merve Eyüboğlu
Merve Eyüboğlu
İstanbul Teknik Üniversitesi Elektronik ve Haberleşme Mühendisliği | IEEE İTÜ ComSoc Tanıtım ve Tasarım Koordinatörü
RELATED ARTICLES

CEVAP VER

Lütfen yorumunuzu giriniz!
Lütfen isminizi buraya giriniz

Bizi Takip Edin

4,200BeğenenlerBeğen
10,000TakipçilerTakip Et
296TakipçilerTakip Et
1,400AboneAbone Ol

BÜLTENİMİZE ABONE OLUN

Popüler