Veri Artırmanın CNN Tabanlı Derin Sinir Ağı Modellerine Etkisi

Abstract

Bu çalışmada, veri artırma tekniklerinin Convolutional Neural Network (CNN) tabanlı görüntü sınıflandırma modellerinin performansı üzerindeki etkileri araştırılmıştır. Özellikle sınırlı veri setlerinde modelin genelleme yeteneğini artırmak amacıyla veri artırmanın sunduğu katkılar detaylı bir şekilde analiz edilmiştir. Çalışmada CIFAR-10 veri seti kullanılarak iki farklı senaryo uygulanmıştır: veri artırmasız ve veri artırmalı eğitim. Veri artırma işlemleri arasında yatay çevirme, rastgele döndürme, kırpma ve parlaklık–kontrast değişimleri gibi temel teknikler bulunmaktadır. Model, Adam optimizasyon algoritması ve çapraz entropi kayıp fonksiyonu kullanılarak eğitilmiştir. Eğitim sürecinde epoch bazında kayıp değerleri ve doğruluk oranları takip edilmiş, elde edilen sonuçlar veri artırmanın model performansını önemli ölçüde iyileştirdiğini ortaya koymuştur. Veri artırmalı eğitim sonucunda doğrulama doğruluğu %71'den %83'e yükselmiş ve doğrulama kaybı ciddi ölçüde azalmıştır. Ayrıca eğitim sırasında overfitting etkisinin de önemli ölçüde azaldığı gözlemlenmiştir. Sonuçlar, veri artırmanın küçük veri setleriyle çalışan CNN modelleri için kritik bir iyileştirme stratejisi olduğunu doğrulamaktadır. Gelecek çalışmalarda daha karmaşık veri artırma yöntemlerinin ve farklı CNN mimarilerinin etkileri araştırılabilir.