Derin öğrenme algoritmalarının hiperparametre optimizasyonu ile nesne tanıma başarımının artırılması

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.