DERİN ÖĞRENME ALGORİTMALARININ HİPERPARAMETRE OPTİMİZASYONU İLE NESNE TANIMA BAŞARIMININ ARTIRILMASI

Abstract

Teknolojinin hızla gelişmesi derin öğrenme alanına da yansımıştır. Derin Öğrenme algoritmalarının sayısı ve performansında gelişmeler yaşanmıştır. Bunun beraberinde algoritmalarda kullanılan hiperparametre sayılarında da artışlar meydana gelmiştir. Hiperparametreler algoritmaların eğitimi sırasında önemli bir yere sahiptir. Hiperparametrelerin ideal olarak belirlenmesi eğitim süreci ve başarım oranlarını etkilemektedir. Bu eğitim sürecinde maliyet ve zaman anlamında gelmektedir. Hiperparametre değerleri derin öğrenme algoritmaları çalıştırılmaya başlamadan önce belirlenmektedir. Hiperparametrelerin belirlenmesi oldukça zahmetli bir süreçtir. Bu çalışmamızda derin öğrenme algoritmalarında bulunan hiperparametreler belirlenirken SGD, Adam, NAdam ve RMSProp hiperparametre optimizasyon teknikleri kullanılacaktır. Bu hiperparametre optimizasyon teknikleri 50, 100, 200 ve 300 iterasyon sürelerinde veri seti üzerine uygulanacaktır. Uygulama sonucunda hiperparametrelerin otomatik olarak belirlenmesi ve ideal bir seviyede tutulup yapılan eğitimlerin sürelerini azaltmak ve başarım performanslarını artırmak amaçlanmaktadır. Çalışma sonucunda elde edile hiperparametre ve başarım değerleri karşılaştırılıp en ideal olan hiperparametre değerleri belirlenecektir. Derin öğrenme algoritmaları arasında bulunan Yolov8 algoritması üzerinde belirtilen hiperparametre optimizasyon tekniklerinin başarım performanslarını doğrulamak amacıyla Roboflow sitesinden alınan beyin tümörü veri seti kullanılacaktır.

The rapid development of technology is also reflected in the field of deep learning. There have been improvements in the number and performance of Deep Learning algorithms. Along with this, there has been an increase in the number of hyperparameters used in algorithms. Hyperparameters have an important place during the training of algorithms. Ideal determination of hyperparameters affects the training process and performance rates. This means cost and time in the training process. Hyperparameter values are determined before deep learning algorithms start to run. Determining hyperparameters is a very laborious process. In this study, SGD, Adam, NAdam and RMSProp hyperparameter optimization techniques will be used when determining the hyperparameters in deep learning algorithms. These hyperparameter optimization techniques will be applied on the data set in 50, 100, 200 and 300 iteration times. As a result of the application, it is aimed to automatically determine the hyperparameters and keep them at an ideal level, reduce the duration of the training and increase the performance. The hyperparameter and performance values obtained as a result of the study will be compared and the most ideal hyperparameter values will be determined. The brain tumor data set obtained from the Roboflow site will be used to verify the performance of the hyperparameter optimization techniques specified on the Yolov8 algorithm, which is among the deep learning algorithms.