proje 13
ResNet50 & VGG19 Model Kıyaslama
İki klasik konvolüsyonel mimariyi aynı veri kümesinde transfer learning ile eğitip doğruluk, çıkarım süresi ve model boyutu ekseninde karşılaştıran analitik çalışma.
- Kategori
- Yapay Zekâ
- Rol
- Veri bilimi ve model değerlendirme
- Yıl
- 2026
kullanılan teknolojiler
- Python
- TensorFlow
- Keras
- CUDA
- Matplotlib
- Seaborn
problem
Problem
Belirli bir görüntü sınıflandırma probleminde hangi konvolüsyonel mimarinin doğruluk, çıkarım süresi, model boyutu ve aşırı öğrenme dengesinde daha verimli olduğu bilinmiyordu. Karar sezgiye değil ölçüme dayanmalıydı.
çözüm
Çözüm
Transfer learning prensiplerini uygulayarak önceden eğitilmiş ResNet50 ve VGG19 modellerini aynı veri kümesi üzerinde optimize ettim. Katman bazlı ağırlık dondurma ve özel sınıflandırma katmanlarıyla fine-tuning yaptım. Matplotlib ve Seaborn kullanarak loss/accuracy eğrilerini, confusion matrix'i ve çıkarım gecikmesi metriklerini görselleştiren karşılaştırma betikleri geliştirdim.
sonuç
Sonuç
İki mimarinin güçlü ve zayıf yönlerini istatistiksel olarak ortaya koyan, ileride uç birim dağıtımlarında donanım ve model seçimine dayanak sağlayan kapsamlı bir analiz çıktısı elde edildi.
öne çıkan özellikler
- 01Transfer learning ile önceden eğitilmiş ResNet50 ve VGG19 modellerinin aynı veri kümesinde optimize edilmesi.
- 02Katman bazlı ağırlık dondurma ve özel sınıflandırma katmanlarıyla fine-tuning stratejileri.
- 03Loss/accuracy eğrileri, confusion matrix ve çıkarım gecikmesi metriklerini görselleştiren karşılaştırma betikleri.
- 04Precision, recall ve F1-score üzerinden mimari performans karşılaştırması.
neden bu seçimler
Neden ResNet'in artık bağlantıları kritik?
VGG gibi düz derin mimarilerde katman sayısı arttıkça gradyanlar kayboluyor ve model daha derin olmasına rağmen daha kötü öğreniyor. ResNet'in skip connection yapısı bu sorunu çözüyor; ölçümler daha az parametreyle daha yüksek doğruluk ve hız verdiğini deneysel olarak gösterdi.
Neden transfer learning?
İki mimariyi sıfırdan eğitmek hem çok daha uzun sürerdi hem de veri kümesinin boyutu buna elverişli değildi. Önceden eğitilmiş ağırlıklardan başlayıp son katmanları uyarlamak, karşılaştırmayı adil ve tekrarlanabilir kıldı.