Uç cihazlarda derin öğrenme tabanlı görüntü sınıflandırmada model optimizasyonu ve enerji verimliliği

Bu çalışma, derin öğrenme tekniklerinin uç cihazlardaki çeşitli uygulamalarını performans ve enerji verimliliği odağında detaylı bir şekilde analiz ederek alandaki bilgi birikimine önemli bir katkı sunmaktadır. Derin öğrenme algoritmalarındaki son yıllardaki dikkate değer ilerlemeler, bu algoritmaların bir araya gelmesiyle ortaya çıkan modellerin hem yüksek hesaplama gücü gereksinimleri hem de yüksek enerji tüketimi sorununu beraberinde getirmiştir. Bu durum, enerji verimliliği konusunda daha fazla araştırma ve geliştirme yapılmasını gerektiren bir durum haline gelmiştir. Çalışma kapsamında, derin öğrenme modellerinin uç cihazlarda verimli bir şekilde çalışabilmesi için model sıkıştırma teknikleri üzerine kapsamlı ve detaylı birçok deney gerçekleştirilmiştir. Bu deneyler, özellikle budama ve nicemleme yöntemleri ile hafif mimarilerin entegrasyonu üzerine derinlemesine bir odaklanma sağlamaktadır. Mobil cihazlardan akıllı sensörlere kadar geniş bir yelpazede yaygın olarak kullanılan MobileNet, EfficientNet ve ShuffleNet gibi hafif ve çağdaş mimarilerin entegrasyonu üzerinde durulmaktadır. Bu önemli çalışmalar, AMD NPU, Google Coral TPU ve NVIDIA Jetson Nano gibi çeşitli donanımlarla sistematik ve detaylı testler yapılarak yürütülmüştür. Her bir test, belirli kriterlere göre özenle planlanmış ve uygulanmış, sonuçlar ise titizlikle analiz edilmiştir. Elde edilen en iyi performans sonuçları, güvenilir verilerle desteklenmekte ve derin öğrenme alanında yeni standartların belirlenmesine büyük katkı sağlamaktadır. Çalışma kapsamda elde edilen bulgular, tez ile birlikte derin öğrenme teknolojilerinin özellikle uç cihazlarda daha erişilebilir hale gelmesi ve verimliliğinin önemli ölçüde artması için kritik bir zemin hazırlamaktadır. Derin öğrenme alanındaki yeni gelişmeler, mobil cihazlardan akıllı sensörlere kadar geniş bir uygulama yelpazesine sahip olup, bu da geleceğin teknolojilerini şekillendirme potansiyelini taşımaktadır. Bu sebeple, bu tez yalnızca mevcut uygulamaları detaylı bir şekilde analiz etmekle kalmamakta, aynı zamanda ileride gerçekleştirilecek araştırmalara ve geliştirme süreçlerine önemli katkılar sunmaktadır. Çalışma, derin öğrenme tekniklerinin ve uygulamalarının gelişimini destekleyen kritik bir kaynak olma niteliğine sahiptir. Uç cihazlarda yapay zeka uygulamalarının etkinliğini artırmaya yönelik olarak ortaya konan bulgular, mühendisler ve akademisyenlerin iş birliğiyle daha ileri seviyelere taşınabilir. Nihayetinde, bu araştırma, mevcut bilgileri derlemenin ötesine geçerek, derin öğrenmenin geleceğine dair bir yol haritası sunmakta ve aynı zamanda sistemin genişlemesi için sağlam bir temel oluşturmaktadır. Bu durum, ileri düzeydeki çalışmaların zeminini hazırlar ve aynı zamanda endüstrinin ihtiyaçlarını karşılama konusundaki yetenekleri geliştirmeye katkı yapmaktadır. Çalışmanın sağladığı içgörüler, derin öğrenmenin yenilikçi uygulamalarının teşvik edilmesine yardımcı olmakta ve bu sayede teknolojinin evrimi üzerinde kalıcı bir etki bırakmaktadır. Sonuç olarak bu araştırma, mevcut bilgileri derlemenin ötesine geçerek, derin öğrenmenin geleceğine dair bir yol haritası ve aynı zamanda sistemin ekosisteminin genişlemesi için sağlam bir temel sunmaktadır.