Rehber: NASNetMobile ile Transfer Learning ve Fine-Tuning (Atık Sınıflandırma)

Derin öğrenme modellerini (Deep Learning) sıfırdan eğitmek devasa veri setleri, yüksek GPU maliyeti ve haftalar süren eğitim süreçleri gerektirir. Transfer Learning (Transfer Öğrenme) ve Fine-Tuning (İnce Ayar) teknikleri, ImageNet gibi milyonlarca görsel üzerinde eğitilmiş güçlü omurga modellerin bilgi birikimini kendi özel alanımıza (Domain Specific) aktarmamıza olanak tanır.

Bu rehberde, TensorFlow/Keras altyapısında NASNetMobile mimarisini kullanarak atık görsellerini 6 sınıfa (cardboard, glass, metal, paper, plastic, trash) ayıran yüksek başarımlı bir sınıflandırma modelinin adım adım kurulumunu inceliyoruz.

Mimarinin Genel Yapısı ve İnce Ayar (Fine-Tuning) Mantığı

Geleneksel Transfer Learning yöntemlerinde omurga model tamamen dondurulur ve sadece en üstteki sınıflandırıcı katman eğitilir. Ancak bu yöntemde model, yeni veri setinin özel desenlerini öğrenmekte kısıtlı kalabilir.

Fine-Tuning yaklaşımında ise:

Omurganın ilk (düşük seviyeli) katmanları dondurulur (kenar, köşe, doku gibi genel özellikleri korumak için).
Omurganın son (yüksek seviyeli) blokları eğitime açılır (alana özgü karmaşık nesne formlarını öğrenmek için).
Aşırı uyumu (overfitting) önlemek için düşük bir öğrenme oranı (learning_rate = 0.0001) kullanılır.

[Giriş Görseli (224x224x3)] 
         │
┌────────┴──────────────────────────┐
│ NASNetMobile Omurgası            │
│  ├─ Dondurulmuş İlk Katmanlar    │ -> (Genel Özellik Çıkarımı: Kenar/Doku)
│  └─ Eğitime Açık Üst Bloklar     │ -> ('reduction_concat_reduce_4' Sonrası)
└────────┬──────────────────────────┘
         │
[GlobalAveragePooling2D]
         │
[Dense(256, ReLU)] -> [Dropout(0.5)]
         │
[Dense(6, Softmax)] -> (Atık Sınıf Tahmini & Olasılık Skoru)

1. Veri Hazırlığı ve Veri Artırma (Data Augmentation)

Kısıtlı veri setlerinde modelin ezberlemesini önlemek için ImageDataGenerator ile dinamik veri artırma teknikleri uygulanır:

import tensorflow as tf
from tensorflow.keras.preprocessing.image import ImageDataGenerator

# Eğitim verisi için artırma teknikleri
train_datagen = ImageDataGenerator(
    rescale=1./255,
    horizontal_flip=True,
    vertical_flip=True,
    shear_range=0.1,
    zoom_range=0.2,
    width_shift_range=0.2,
    height_shift_range=0.2,
    validation_split=0.1
)

# Doğrulama verisi için sadece ölçekleme
val_datagen = ImageDataGenerator(
    rescale=1./255,
    validation_split=0.1
)

# Veri akışlarının oluşturulması (224x224 giriş boyutu)
train_generator = train_datagen.flow_from_directory(
    dir_path,
    target_size=(224, 224),
    batch_size=32,
    class_mode='categorical',
    subset='training'
)

val_generator = val_datagen.flow_from_directory(
    dir_path,
    target_size=(224, 224),
    batch_size=32,
    class_mode='categorical',
    subset='validation'
)

2. Omurga Model Hazırlığı ve Seçici Katman Dondurma

Mobil cihazlarda çalışabilecek kadar hafif ve etkili olan NASNetMobile omurgası yüklenir. Ardından 'reduction_concat_reduce_4' bloğundan sonraki katmanlar haricindeki tüm katmanlar dondurulur:

from keras.applications.nasnet import NASNetMobile

# ImageNet ağırlıkları ile omurganın yüklenmesi
backbone = NASNetMobile(
    include_top=False,
    weights='imagenet',
    input_shape=(224, 224, 3)
)

# Tüm omurgayı dondur
backbone.trainable = False

# Seçici olarak son blokları eğitime aç
start_unfreezing_layer = 'reduction_concat_reduce_4'
set_trainable = False

for layer in backbone.layers:
    if layer.name == start_unfreezing_layer:
        set_trainable = True
    if set_trainable:
        layer.trainable = True

print(f"'{start_unfreezing_layer}' katmanından sonrakiler Fine-Tuning için eğitime açıldı.")

3. Özel Sınıflandırıcı Başlığı ve Model Derleme

Omurga çıktısının üzerine GlobalAveragePooling2D, 256 nöronlu gizli katman, %50 oranında Dropout ve 6 sınıflı Softmax çıkışı eklenir:

from tensorflow.keras.models import Model
from tensorflow.keras.layers import GlobalAveragePooling2D, Dense, Dropout
from tensorflow.keras.optimizers import SGD

x = backbone.output
x = GlobalAveragePooling2D()(x)
x = Dense(256, activation='relu')(x)
x = Dropout(0.5)(x)
predictions = Dense(6, activation='softmax')(x)

fine_tuning_model = Model(inputs=backbone.input, outputs=predictions)

# İnce ayar için muhafazakar SGD optimizasyonu
optimizer = SGD(learning_rate=0.0001, momentum=0.9, nesterov=True)

fine_tuning_model.compile(
    optimizer=optimizer,
    loss='categorical_crossentropy',
    metrics=['accuracy']
)

4. Erken Durdurma ve Model Kaydetme Callback’leri

Eğitim sürecinde aşırı uyumu önlemek ve en iyi ağırlıkları kaydetmek için callback yapıları tanımlanır:

from tensorflow.keras.callbacks import EarlyStopping, ModelCheckpoint
import datetime

early_stopping = EarlyStopping(
    monitor='val_loss',
    patience=10,
    restore_best_weights=True,
    verbose=1
)

model_checkpoint = ModelCheckpoint(
    'NASNetMobile_finetuned.keras',
    monitor='val_loss',
    save_best_only=True,
    verbose=1
)

# Eğitimi başlat ve süreyi ölç
start_time = datetime.datetime.now()

history = fine_tuning_model.fit(
    train_generator,
    epochs=100,
    validation_data=val_generator,
    callbacks=[early_stopping, model_checkpoint]
)

total_duration = datetime.datetime.now() - start_time
print("Eğitim Tamamlandı. Süre:", total_duration)

5. Çıkarım (Inference) ve Tahmin Görselleştirme

Eğitilen model diskten yüklenerek yeni test görselleri üzerinde tahmin üretir:

import numpy as np
from tensorflow.keras.preprocessing import image
from tensorflow.keras.models import load_model

waste_labels = {0: 'cardboard', 1: 'glass', 2: 'metal', 3: 'paper', 4: 'plastic', 5: 'trash'}
model = load_model('NASNetMobile_finetuned.keras')

def predict_image(model, img_path):
    img = image.load_img(img_path, target_size=(224, 224))
    img_array = image.img_to_array(img)
    img_array = np.expand_dims(img_array, axis=0) / 255.0
    
    predictions = model.predict(img_array, verbose=0)
    class_idx = np.argmax(predictions[0])
    confidence = np.max(predictions[0])
    
    return waste_labels[class_idx], confidence

# Örnek Çıkarım
label, score = predict_image(model, "test_sample.jpg")
print(f"Tahmin Edilen Sınıf: {label} (Güven Skoru: %{score*100:.2f})")

Bu rehberdeki seçici ince ayar yaklaşımı, kısıtlı bilgi işlem kaynaklarıyla endüstriyel standartlarda yüksek doğruluklu bilgisayarlı görü (Computer Vision) çözümleri üretmenizi sağlar.