YAPAY ZEKAYI MİKRODENETLEYİCİYE SIĞDIRDIK! | STM32CUBE.AI — Transcript

Full transcript

1. 0:00Bugüne kadar STM32 ile birçok farklı
2. 0:02uygulama yaptık. Ama bu videoda
3. 0:03alışılagelmiş projelerin dışına çıkıp
4. 0:05sınırları biraz zorlayacağız. Genellikle
5. 0:07yüksek işlem kapasitesine sahip
6. 0:09sunucularda ya da ekran kartlarında
7. 0:11çalıştırılan yapay zeka modelini
8. 0:13STM32'nin kısıtlı RAM ve flash belleğine
9. 0:15sığdırıp çalıştıracağız. Bunu ST
10. 0:17firmasının STM32Cube AI uygulaması ile
11. 0:19yapacağız. Ayrıca bir gömülü sistem
12. 0:21mühendisi olarak yapay zekayı tüketen
13. 0:23tarafta değil, onunla uçtan uca ürün
14. 0:25geliştiren tarafta olmak beni gerçekten
15. 0:27mutlu ediyor. Uzun zamandır aklımdaydı
16. 0:29projeyi yapmak. Nihayet hayata
17. 0:30geçiriyoruz. Hazırsanız başlayalım.
18. 0:34>> [müzik]
19. 0:37>> Bu videoda STM32 ve dokunmatik TFT ekran
20. 0:40kullanarak tam anlamıyla bir uç birim
21. 0:42yapay zeka, yani Edge AI uygulaması
22. 0:45geliştireceğiz.
23. 0:45>> [müzik]
24. 0:45>> CNN tabanlı bir görüntü işleme modelini
25. 0:48sadece 128 KB RAM ve 512 KB flash
26. 0:52belleğe sahip STM32 üzerinde tamamen
27. 0:54lokal olarak çalıştıracağız. Çalışmamız
28. 0:56bir önceki projemizin devam niteliğinde.
29. 0:58Hatırlarsanız önceki videoda STM32 ile
30. 1:01TFT ekran kullanımını detaylıca ele
31. 1:03almıştık. Şimdi ise bu sistemin üzerine
32. 1:05yapay zeka katmanını ekleyeceğiz.
33. 1:06İşlenen verileri harici bir sunucuya ya
34. 1:09da güçlü bir bilgisayara
35. 1:10göndermeyeceğiz. Tüm tahminleme süreci
36. 1:12doğrudan STM32'nin kendi [müzik] kısıtlı
37. 1:14kaynaklarıyla mikro denetleyicinin
38. 1:16içinde gerçekleşecek. Uygulamamızın
39. 1:18konsepti ise şöyle: Ekrana elimizle bir
40. 1:20sayı çizeceğiz ve STM32'ye entegre
41. 1:22ettiğimiz yapay zekanın bu sayıyı doğru
42. 1:24tahmin etmesini isteyeceğiz. Tabii bu
43. 1:26çalışma için öncelikle eğitilmiş bir
44. 1:28yapay zeka modeline ihtiyacımız var.
45. 1:30İşin bu kısmını alanında uzman yapay
46. 1:32zeka mühendisi Ali anlatacak. Sözü
47. 1:34Ali'ye bırakıyorum.
48. 1:35>> Selamlar, ben Ali. Sektörde yapay zeka
49. 1:37mühendisi olarak çalışıyorum. Bugün
50. 1:38sizlere projemizin yapmış olduğum yapay
51. 1:40zeka modülünden bahsedeceğim. Hemen
52. 1:42başlayalım. Öncelikle kısaca yapay zeka
53. 1:44nedir, nasıl çalışır anlatayım. Yapay
54. 1:46zeka dediğimiz şey bilgisayarın insan
55. 1:48gibi bilinç kazanması değil. Daha çok
56. 1:49veriden anlamlı örüntüler çıkararak
57. 1:51karar verebilmesidir. Yani bir sisteme
58. 1:52yeterince örnek gösteriyoruz. Sistem bu
59. 1:54örnekler arasındaki benzerlikleri
60. 1:56öğreniyor ve daha önce görmediği yeni
61. 1:57bir veri geldiğinde tahmin yapabiliyor.
62. 1:59Klasik programlamada biz bilgisayarlara
63. 2:01kuralları tek tek yazarız. Örneğin if
64. 2:03else yapıları ile eğer şu olursa bunu
65. 2:05yap deriz. Ama yapay zekada durum biraz
66. 2:07farklı. Biz kuralları doğrudan yazmak
67. 2:08yerine modele örnekleri veriyoruz. Model
68. 2:10bu örneklerden kendi içerisinde bir
69. 2:12ilişki kuruyor. Gördüğü örnekler
70. 2:14sayesinde seçilen algoritmaya
71. 2:15güncelleyerek en optimum haline
72. 2:17ulaştırıyor. Örneğin binlerce el yazısı
73. 2:18ile yazılmış rakamlar gösterdiğimizde
74. 2:20model zamanla 3 rakamı genelde böyle
75. 2:22kıvrılır, 1 rakamı genelde dik bir
76. 2:24çizgidir gibi özellikleri öğrenmeye
77. 2:25başlıyor. Yani [müzik] ona kural
78. 2:27tanımlamıyoruz. Bu iş böyle yapılır, bu
79. 2:29işe göre kuralları kendin yaz diyoruz.
80. 2:30Başka bir [müzik] deyişle de balık
81. 2:32vermiyor, balık tutmayı öğretiyoruz.
82. 2:33Yapay zekanın geçmişi aslında oldukça
83. 2:35eski. 1950'lerde Alan Turing'in
84. 2:37makineler düşünebilir mi sorusuyla
85. 2:39başlayan tartışmalar 1956'da Dartmouth
86. 2:41konferansı ile yapay zekanın ayrı bir
87. 2:43alan olarak ortaya çıkmasına kadar
88. 2:45gidiyor. İlk dönemlerde sistem daha çok
89. 2:46insanın yazdığı kurallarla çalışıyordu.
90. 2:48Fakat zamanla kontrol etmemiz gereken
91. 2:50durumların miktarı arttı. Milyonlarca
92. 2:52durum içerisindeki milyarlarca vakanın
93. 2:54her biri için if else yazamayız değil
94. 2:55mi? Bu gelişmeleri takiben de veri
95. 2:57miktarı arttı. Bilgisayarlar güçlendi.
96. 2:59Özellikle GPU'lar ve büyük veri setleri
97. 3:01sayesinde derin öğrenme dediğimiz
98. 3:02yaklaşım çok daha başarılı hale geldi.
99. 3:04Kısa tarihçeden sonra yapay zekanın
100. 3:06nasıl geliştiğine de çok kısaca bakalım.
101. 3:08İlk dönemlerde yapay zeka daha çok kural
102. 3:09tabanlı sistemlerden oluşuyordu. Yani
103. 3:11insan uzmanlar kuralları yazıyordu,
104. 3:13sistem de bu kurallara göre kararları
105. 3:15veriyordu. Mesela eğer sıcaklık şu
106. 3:17derecenin üstündeyse alarm ver gibi.
107. 3:18Daha sonra makine öğrenmesi yaklaşımı
108. 3:20öne çıktı. Burada artık kuralları tek
109. 3:21tek yazmak yerine modele veri setini
110. 3:23veriyoruz ve model bu veriler arasındaki
111. 3:25ilişkiyi öğreniyordu. En basit
112. 3:27örneklerden biri klasik bir makine
113. 3:28öğrenmesi algoritması olan lineer
114. 3:30regresyon. Lineer regresyonda model
115. 3:32veriler arasındaki ilişkiyi temsil eden
116. 3:33en uygun doğruyu bulmaya çalışır.
117. 3:35Grafikte bunu şöyle düşünebiliriz.
118. 3:36Elimizde birçok nokta var ve model bu
119. 3:38noktaların genel gidişatını en iyi
120. 3:40temsil eden çizgiyi çizmeye çalışıyor.
121. 3:42Yani mevcut durumlara göre kendi
122. 3:43kurallarını kendi inşa ediyor. Amaç
123. 3:45noktalarla doğru arasındaki hatanın
124. 3:46mümkün olduğunca küçük olmasıdır. Mesela
125. 3:48evin metrekaresi arttıkça fiyat nasıl
126. 3:50değişiyor gibi sayısal tahminler bu
127. 3:52algoritmayla yapılabilir. Classification
128. 3:54yani sınıflandırma problemlerinde ise
129. 3:55logistic regression, decision tree,
130. 3:58random forest, SVM gibi yöntemler
131. 3:59kullanıldı. Bunlar görüntü, metin veya
132. 4:02tablo verisinden belirli özellikleri
133. 4:03çıkarıp karar vermeye çalışıyordu. Bu
134. 4:05özellik çıkarma sürecine feature
135. 4:07extraction denir. Ama burada önemli bir
136. 4:09problem vardı. Özellikleri çoğu zaman
137. 4:10insanın kendisi belirlemesi gerekiyordu.
138. 4:12Özellikleri insanın belirlemesinden
139. 4:14kastım şu: Örneğin akciğer grafisinde
140. 4:16anormallik tespit eden bir model yapmak
141. 4:18istiyorsunuz. Modeli eğitmek için
142. 4:19binlerce, [müzik] milyonlarca akciğer
143. 4:21grafisi toplamanız gerekiyor. Eğer
144. 4:22supervised learning yani etiketli
145. 4:24öğrenme yapıyorsanız bu görüntülerin
146. 4:26normal mi, anormal mi olduğunu
147. 4:27doktorlara etiketletmeniz gerekiyor.
148. 4:29Bunun yanında klasik makine öğrenmesi
149. 4:31tarafında görüntüdeki lekenin boyutu,
150. 4:33parlaklık yoğunluğu, kenar yapısı veya
151. 4:35doku değişimi gibi özellikleri de çoğu
152. 4:36zaman bizim belirleyip modele vermemiz
153. 4:38gerekiyordu. İşte bu yüzden manuel
154. 4:40özellik çıkarma süreci klasik makine
155. 4:42öğrenmesi yöntemlerinin en büyük
156. 4:43zorluklarından biriydi. Bir diğer
157. 4:45problemi ise makine öğrenmesi
158. 4:46algoritmalarına ne kadar veri verirseniz
159. 4:48o kadar iyi olmuyordu modeller. Bir yere
160. 4:50kadar iyi oluyorlardı fakat bir yerden
161. 4:52sonra iyileşmeleri duruyordu. Çünkü
162. 4:53kapasiteleri sınırlıydı. Bu sorunlara
163. 4:55çözüm olarak deep learning konsepti daha
164. 4:57güçlü hale geldi. Derin öğrenmede model
165. 4:59sadece son kararı vermiyor. Aynı zamanda
166. 5:01verinin içindeki önemli özellikleri de
167. 5:02katmanları sayesinde kendi öğreniyor.
168. 5:04Hani az önce akciğer grafisindeki
169. 5:06lekenin boyutu, kenar yapısı, parlaklık
170. 5:08yoğunluğu gibi özellikleri bizim
171. 5:09çıkarmamız gerekebiliyordu demiştim.
172. 5:11Deep learning tarafında bu özellikleri
173. 5:13tek tek bizim tanımlamamız gerekmez.
174. 5:14Model eğitim sırasında görüntülere
175. 5:16bakarak hangi çizgilerin, dokuların,
176. 5:18yoğunlukların veya şekillerin karar
177. 5:20vermede önemli olduğunu kendi
178. 5:21ağırlıkları üzerinden öğrenir. Tabii
179. 5:22supervised learning yapıyorsak yine
180. 5:24doğru etiketlenmiş verilere ihtiyaç
181. 5:26duyarız. Yani modelin bu görüntü normal
182. 5:28mi yoksa anormal mi gibi örnekleri
183. 5:30görmesi gerekir. Ama görüntünün içindeki
184. 5:31anlamlı özellikleri çıkarmanın büyük
185. 5:33kısmını artık model kendisi yapıyor. Bir
186. 5:35diğer kavramımız ise artificial neural
187. 5:37network'ler yani yapay sinir ağları. Bu
188. 5:39yapılar insan beyninden esinlenen
189. 5:41katmanlı modellerdir. Her katmanda
190. 5:42veriler bazı ağırlıklardan geçer,
191. 5:44dönüştürülür ve bir sonraki katmana
192. 5:46aktarılır. Model eğitim sırasında
193. 5:47hatasına bakarak bu ağırlıkları
194. 5:49günceller. Böylece zamanla daha doğru
195. 5:51tahmin yapmayı öğrenir. Görüntü
196. 5:52problemlerinde ise özel olarak CNN
197. 5:54mimarisi çok başarılı oldu. Çünkü
198. 5:56görüntülerde piksel komşulukları
199. 5:57önemlidir. CNN görüntünün üzerinde
200. 5:59[müzik] küçük filtreler gezdirerek
201. 6:01kenar, çizgi, kıvrım ve şekil gibi
202. 6:02özellikleri yakalar. Bizim projemizde de
203. 6:04el yazısı ile yazılmış rakamları tanımak
204. 6:06için CNN kullanıyoruz. Daha sonra
205. 6:08görüntü, ses ve diğer konularda değil de
206. 6:10asıl devrim insan dili tarafında
207. 6:11gerçekleşti. [müzik]
208. 6:12Özellikle dil ve sıralı veri
209. 6:14problemlerinde RNN, LSTM gibi yapılar
210. 6:16kullanıldı. Fakat bunlardaki uzun
211. 6:17dönemli hafızayı tutamama problemleri ve
212. 6:19diğer problemler [müzik] sebebiyle
213. 6:21günümüzdeki Transformer mimarisine
214. 6:23geçildi. ChatGPT gibi büyük dil
215. 6:24modellerinin temelinde Transformer
216. 6:26mimarisi vardır. GPT, yani Generative
217. 6:29Pre-trained Transformer. Transformer
218. 6:31verideki parçaların birbirleriyle
219. 6:32ilişkisini Attention [müzik]
220. 6:33mekanizmasıyla öğrenir. Bir de
221. 6:35Generative AI tarafı var, yani üretken
222. 6:37yapay zeka. Bu modeller sadece
223. 6:38sınıflandırma [müzik] yapmaz, yeni
224. 6:40içerik üretebilir. Metin, görsel, ses
225. 6:42veya video oluşturabilir. Görsel üretim
226. 6:44tarafında Diffusion modelleri çok
227. 6:45yaygınlaştı. Diffusion modelleri basitçe
228. 6:48gürültülü bir görüntüden adım adım
229. 6:49anlamlı bir görüntü üretmeyi öğrenir.
230. 6:51Ama bizim bu projemizdeki problemimiz
231. 6:53üretim değil, Classification, yani
232. 6:54sınıflandırma problemi. Yani modelden
233. 6:56yeni bir görüntü üretmesini istemiyoruz.
234. 6:58[müzik] Ekrana yazılan rakamın hangi
235. 7:00sınıfa ait olduğunu bulmasını istiyoruz.
236. 7:02Bu yüzden burada en uygun mimarilerden
237. 7:03birisi CNN oluyor. Şimdi CNN mimarisini
238. 7:06ve içerisindeki katmanların neler
239. 7:07yaptığını öğrenelim. Mimari resminde
240. 7:09görebileceğiniz üzere en önce resmimiz
241. 7:11mimarimize, modelimize uygun formatta
242. 7:12gelir. Örneğin MNIST veri setiyle
243. 7:14eğiteceğimiz modelimiz 28 x 28 x 1 girdi
244. 7:17bekler. Dolayısıyla modelimize uygun 28
245. 7:20x 28 formatında input resim gelir.
246. 7:22Burada gördüğünüz mimari aslında iki
247. 7:24kısma ayrılıyor. Convolution ve Pooling
248. 7:26layer'larında Feature Extraction, yani
249. 7:28özellik çıkarma işlemi yapılır. Fully
250. 7:29Connected diye belirtilen kısım
251. 7:31içerisinde ise Classification, yani
252. 7:33sınıflandırma işlemlerinin yapıldığı
253. 7:35Artificial Neural Network katmanları
254. 7:36vardır. Convolution katmanının amacı
255. 7:39resimde hangi desenin nerede olduğunu
256. 7:40bulmaktır. Pooling katmanlarının amacı
257. 7:42ise bulunan bu sonucu küçültüp
258. 7:44özetlemektir. Yani özetle Convolution
259. 7:46layer'ları resimde ne var sorusunu
260. 7:48cevaplar. Pooling katmanları ise önemli
261. 7:50olanı tut, gerisini at der. Şimdi tek
262. 7:52tek katmanların içerisine göz atalım.
263. 7:54İlk Feature Extraction yapan katmanımız
264. 7:56hangi desenin nerede olduğunu tespit
265. 7:57etmeye yarayan Convolution
266. 7:58layer'ımızdır. Bu layer [müzik] özellik
267. 8:00çıkarma için Convolution Kernel, diğer
268. 8:02adıyla filtre kullanılır. Input olarak
269. 8:04gelen resmimizin bu piksellerden
270. 8:06oluştuğunu düşünelim. Bu piksellerin
271. 8:08oluşturduğu yapı nihai olarak resmimizin
272. 8:10neresinde, hangi renkte, ne deseni var
273. 8:12bilgisini taşır. Bu aşamada bu
274. 8:13özellikleri öğrenmek için daha önce de
275. 8:15belirttiğim convolution kernelleri, yani
276. 8:17filtrelerimiz devreye girer. Her bir
277. 8:19filtrenin, yani kernelin kendine ait bir
278. 8:21görevi vardır. Örneğin kernel 1 tüm
279. 8:23resmi gezer ve yatay çizgi nerede
280. 8:25haritasını çıkarır. Kernel 2 tüm resmi
281. 8:27gezer ve dikey çizgi nerede haritasını
282. 8:29çıkarır. Son kernele kadar bu böyle
283. 8:31devam eder. Buradan anlayabileceğiniz
284. 8:33üzere bu filtrenin sayısı bir adet
285. 8:34değildir. Elimizdeki mevcut veri setine
286. 8:36göre sayılar belirlenir. Veri setinin
287. 8:38barındırdığı resimlerin karmaşıklıkları
288. 8:40ve detayları arttıkça filtrelerimizin
289. 8:42sayısı da artmalıdır. Üzerinde
290. 8:43çalışabileceğimiz el yazısı veri seti
291. 8:45çok karmaşık veri seti olmadığı için
292. 8:47genelde 32, 64 gibi filtre sayısı
293. 8:49belirlenebilir. Örneğin orta
294. 8:51karmaşıklıkta resimler için CIFAR-10
295. 8:53veri setinde 64, 128 gibi değerler
296. 8:55belirlenebilirken tamamen karmaşık
297. 8:57resimlerden oluşan ImageNet seviyesinde
298. 8:59128, 512 gibi filtre sayısı
299. 9:01belirlenebilir. Veri setindeki
300. 9:03resimlerden öğrenilmesi gereken detay
301. 9:05sayısı arttıkça bu detayları tespit
302. 9:07etmeye yarayan filtrelerin sayısı da
303. 9:08doğal olarak artmalıdır. Burada
304. 9:10belirlediğiniz sayı eğittiğiniz modelin
305. 9:12kalitesinden de anlaşılacaktır. Örneğin
306. 9:14eğittiğiniz model eğer yeni örneklerde
307. 9:16desenleri yakalayamıyorsa bu dikkat
308. 9:18etmeniz gereken parametrelerden birinin
309. 9:20kernel sayısının düşüklüğü olduğunu
310. 9:21işaret olabilir. Peki kernel resmin
311. 9:23üzerinde ne yapıyor? Kernel resmin sol
312. 9:25üst köşesine yerleştirilir. Kernelin
313. 9:27içerisindeki rastgele oluşturulmuş
314. 9:29piksellerle eleman eleman çarpılır ve
315. 9:31sonuçlar toplanır. Bu toplam yeni
316. 9:33matrisin bir pikseli olur. Ardından
317. 9:35kernel bir adım kayar ve işlem resmin
318. 9:37tamamı gezilene kadar tekrarlanır.
319. 9:39Ortaya çıkan yeni matrise feature map
320. 9:41diyoruz. Feature mapteki yüksek değerler
321. 9:43bu kernelin aradığı desenin o bölgede
322. 9:45bulunduğunu gösterir. Kernel boyutuna
323. 9:47gelirsek genelde 3 x 3 kullanılır.
324. 9:49Burada stride diye bir kavramdan
325. 9:50bahsetmek istiyorum. Stride kernelin her
326. 9:53adımda orijinal resim üzerinde kaç
327. 9:54piksel kayacağını belirler. Stride
328. 9:56değeri 1 ise kernel her piksele uğrar.
329. 9:59Stride 2'de birer atlayarak ilerler ve
330. 10:01feature map yarı boyutuna iner. Peki
331. 10:02hangisini seçmeliyiz? Convolution
332. 10:04katmanlarında varsayılan tercih stride
333. 10:061'dir. Çünkü amacımız detay yakalamak.
334. 10:08Piksel atlamak ise detay kaybetmek
335. 10:10demektir. Stride 2'yi daha çok büyük
336. 10:12resimlerle çalışırken hesaplama yükünü
337. 10:14azaltmak için ilk katmanlarda
338. 10:15görürsünüz. Günümüz mimarilerinin bir
339. 10:17kısmında pooling katmanı devre dışı
340. 10:19bırakılıp stride 2'li convolution
341. 10:21kullanılıyor. Yani küçültme için ayrı
342. 10:22bir katman yerine convolution'ın kendisi
343. 10:24yapar. Ama MNIST gibi zaten küçük olan
344. 10:2628 x 28'lik [müzik] resimlerde stride 2
345. 10:29kullanmak bence gereksiz bir risk. O
346. 10:31kadar az pikselde atladığınız her
347. 10:32pikselin önemi olabilir. Burada stride 1
348. 10:34kullanıp küçültmeyi pooling'e bırakmak
349. 10:36[müzik] en mantıklısı olacaktır. Gelelim
350. 10:38padding'e. 5 x 5'lik bir matrise 3 x 3
351. 10:41kernel uyguladığınızda sonuç 3 x 3
352. 10:43çıkıyor. Yani her convolution'da matris
353. 10:45küçülüyor. Bunun yanında kenar
354. 10:46pikselleri daha az hesaba katılıyor.
355. 10:48Convolution kernel'i orijinal resim
356. 10:50üzerinde işlem yaparken köşedeki
357. 10:52pikseller yalnızca bir kez hesaplamaya
358. 10:54girerken ortadaki pikseller dört kez
359. 10:56giriyor. Padding matrisin çevresine
360. 10:58sıfırlardan bir çerçeve ekleyerek
361. 11:00köşedeki piksellerin daha az
362. 11:01hesaplanmaya girmesini engeller. Onları
363. 11:03da orta pikseller haline getirmiş olur.
364. 11:05Padding isteğe bağlı bir özelliktir. Bu
365. 11:07da elinizdeki setinin türüne göre
366. 11:09değişir. Eğer köşelerinde fazla
367. 11:11özellikler barındıran resimler içeren
368. 11:13bir veri setiyle çalışıyorsanız
369. 11:14padding'i aktif hale getirmeniz daha iyi
370. 11:16olacaktır. Kernellerin içindeki
371. 11:18değerleri ise biz belirlemiyoruz.
372. 11:19Eğitimin başında rastgele atanırlar ve
373. 11:21model her hatasından sonra bu değerleri
374. 11:23günceller. Yani CNN'deki weight'ler,
375. 11:25yani modelin neye ne kadar önem
376. 11:27vereceğini belirleyen model ağırlıkları
377. 11:28tam olarak kernellerin içindeki bu
378. 11:30değerlerdir. Mimarideki ikinci [müzik]
379. 11:31convolution layer ise doğrudan resme
380. 11:33değil, ilk katmanın output olarak
381. 11:35verdiği feature map'lere bakar. İlk
382. 11:37katman çizgi, kenar gibi basit desenleri
383. 11:39bulurken ikinci katman bunları
384. 11:41birleştirerek köşe ve kıvrım gibi daha
385. 11:43karmaşık yapıları yakalar. Derinlere
386. 11:45indikçe model resmi daha anlamlı
387. 11:47parçalar halinde görmeye başlar.
388. 11:48Convolution layer'lardan çıktığımızda
389. 11:50elimizde çok sayıda feature map vardır.
390. 11:52Ancak bunlar hala büyük ve gereksiz
391. 11:54detaylar barındırıyor. Bir sonraki
392. 11:55katmanımız olan pooling layer, diğer
393. 11:57adıyla downsampling layer, bu bilgiyi
394. 11:59küçültüp özetleme görevini üstleniyor.
395. 12:01Pooling layer'ın iki amacı vardır.
396. 12:03Birincisi, milyonlarca boyutlardan
397. 12:05oluşan milyarlarca veri barındıran bir
398. 12:07veri setindeki boyutları yarısına kadar
399. 12:09indirebilir. Bu sayede model hem daha
400. 12:11hızlı eğitilir hem de daha az hafıza
401. 12:13kullanır. İkincisi overfitting riskini
402. 12:15azaltmak. Overfitting ne diye soracak
403. 12:16olursanız, model eğitiminde sık
404. 12:18karşılaşılan bilen bir durumdur. Modelin
405. 12:20eğitildiği veri setini aşırı öğrenmesi,
406. 12:22yani ezberlemesi, [müzik]
407. 12:23ancak karşısına çıkan yeni örneklerde
408. 12:25doğruluğunun çok düşük olması durumudur.
409. 12:27Yani bu aslında günümüzdeki eğitim
410. 12:29sistemini özetleyen bir durumdur.
411. 12:30Okullarda sınavları geçmek için sınav
412. 12:32odaklı çalışırız. [müzik] Fakat hem
413. 12:34konuyu öğrenmeyiz, hem de gerçek hayat
414. 12:35için bir çıkarım yapamayız. Model de
415. 12:37buradaki hataya düşer. Eğitim veri
416. 12:39setinde başarısı çok iyidir. Fakat
417. 12:40karşısına çıkan yeni örneklerde
418. 12:42çuvallar. Çünkü ezberlemiştir,
419. 12:44öğrenmemiştir. Pooling de burada bu
420. 12:46durumun oluşmamasına yardımcı oluyor
421. 12:47aslında. Feature map'ler küçültülerek
422. 12:49sonraki katman olan fully connected
423. 12:51layer'a daha küçük bir veri grubu gider.
424. 12:53Bu da o katmandaki parametre sayısını
425. 12:55ciddi şekilde azaltır. Parametre
426. 12:57azaldıkça modelin eğitim verisini
427. 12:58ezberleme kapasitesi de azalır. Yani
428. 13:00model resimleri ezberlemek yerine genel
429. 13:02desenleri öğrenmeye yönelir. Nasıl
430. 13:04yapılacağına gelecek olursak,
431. 13:06convolution'ın çıktısı olan feature
432. 13:07map'in üzerinde küçük bir pencere
433. 13:09gezdirilir. Ve her pencereden tek bir
434. 13:11değer alınır. Bu arada buranın CNN'in
435. 13:13neyine kadar ağırlık vereceğini belirten
436. 13:15weight'lere doğrudan bir katkısı yoktur.
437. 13:17Burada herhangi bir şey öğrenilmez.
438. 13:18Buradaki işlemler sabittir. Buradaki
439. 13:20penceremizin standart boyutu 2 x 2'dir
440. 13:23ve stride 2 olarak kullanılır. Pooling
441. 13:25penceresinin boyutu ile stride sayısının
442. 13:27birbirine eşit olduğu her zaman her
443. 13:28piksel bir kez işleme girer. Birden
444. 13:30fazla adette pooling türü vardır. Burada
445. 13:32dört farklı pooling türünden
446. 13:33bahsedebilirim. Max pooling, average
447. 13:35pooling, min pooling ve modern
448. 13:37mimarilerde kullanılan pooling'i
449. 13:39kaldıralım. Convolution'ın stride 2
450. 13:41olarak kullanım yaklaşımı. Daha farklı
451. 13:43ileri seviye pooling yöntemleri de var.
452. 13:45Fakat biz konuyu uzatmamak adına burada
453. 13:46bunlardan bahsetmeyeceğiz. Max pooling,
454. 13:49pooling çerçevesinin girdiği matristeki
455. 13:51en yüksek değeri alır. CNN katmanlarında
456. 13:53varsayılan tercih budur. Feature map'te
457. 13:55yüksek değer desen burada var anlamına
458. 13:57geldiği için en güçlü sinyali tutmak
459. 13:59mantıklı. Average pooling, pooling
460. 14:01çerçevesinin girdiği matristeki
461. 14:02değerlerin ortalamasını alır. Bölgedeki
462. 14:04tüm değerlerin daha yumuşak bir özet
463. 14:06çıkarır. Güçlü bir sinyal zayıf
464. 14:08değerlerle ortalandığında sönükleşir. Bu
465. 14:10yüzden ara katmanlarda max'e göre daha
466. 14:12az kullanılır. Min pooling, pooling
467. 14:14çerçevesinin girdiği matristeki en küçük
468. 14:16değeri alır. Convolution katmanlarından
469. 14:18çıkan feature map'lerde çok sayıda sıfır
470. 14:20değeri olabileceğinden, bu pooling
471. 14:22yöntemi de onları seçebileceğinden
472. 14:23dolayı aslında teorik de olup pratikte
473. 14:25neredeyse hiç kullanılmayan bir pooling
474. 14:27yöntemidir. Convolution ve pooling
475. 14:29layer'larından sonra artificial neural
476. 14:30network, yani yapay sinir ağları diye
477. 14:32adlandırdığımız fully connected
478. 14:34layer'lardan hemen önce flattening
479. 14:35işlemi yapılır. Flatten, çok boyutlu
480. 14:37veriyi tek boyutlu bir vektöre çevirir.
481. 14:392 x 2'lik matris dört elemanlı bir
482. 14:41listeye dönüşür. Ya da 7 x 7 x 64'lük
483. 14:45veri 7 x 7 x 64, yani 3136 elemanlı tek
484. 14:49bir vektör olur. Bunları yaparken hiçbir
485. 14:51hesaplama yapmaz. Parametresi de yoktur.
486. 14:53Değerler aynen korunur. Sadece
487. 14:55dizilişleri değişir. Matris satır satır
488. 14:57okunur ve arka arkaya dizilir. Kısaca
489. 14:59bilgi kaybolmaz, sadece şekil
490. 15:00değiştirir. Özetle flatten işlemi
491. 15:02şöyledir. Örneğin 2, 3, 4, 1 şeklinde
492. 15:05bir matrisimiz olduğunu varsayalım. Bu
493. 15:06matrisin flatten işleminden sonra şöyle
494. 15:08olacağını düşünebiliriz. Veriler sıralı
495. 15:10ve ardışık olarak art arda konulduğunda
496. 15:122, 3, 4 ve 1 rakamları bu şekilde
497. 15:15dizilir. Yani veri düzleştirilmiş olur.
498. 15:17Bu gereklidir çünkü fully connected
499. 15:18katmanlar yalnızca tek boyutlu girdi
500. 15:20kabul eder. Her nöron gelen her değere
501. 15:22ayrı bir weight ile bağlanır. Matris
502. 15:24satır, sütun ve kanal gibi kavramları
503. 15:26bilmez. Önüne bir sayı listesi gelmesini
504. 15:28bekler. Flattening'den gelen
505. 15:29düzleştirilmiş veri klasik yapay sinir
506. 15:31ağlarının bulunduğu fully connected
507. 15:33layer'larına gider. Buraya fully
508. 15:34connected denmesinin sebebi tüm
509. 15:36nöronlarının kendinden önceki ve sonraki
510. 15:38katmanlarda bulunan tüm nöronlara bağlı
511. 15:40olmasıdır. Ariyeten partialy connected,
512. 15:42localy connected ve three connected gibi
513. 15:45diğer alternatifleri de vardır. Fakat
514. 15:47CNN'de fully connected layer'lar
515. 15:48kullanılır. Burada her zaman bir tane
516. 15:50input layer, bir tane output layer ve
517. 15:52sayısını bizim ihtiyaca göre
518. 15:53belirlediğimiz hidden layer'larımız,
519. 15:55yani gizli katmanlarımız vardır. Bir
520. 15:57nöron tam olarak ne yapar? Her nöron
521. 15:59aynı üç işlemi yapar. Gelen her değeri
522. 16:01kendi weight'leriyle çarpar. Sonuçları
523. 16:03ve bir bias ekler. Toplamı bir
524. 16:05aktivasyon fonksiyonundan geçirir. Örnek
525. 16:07olarak üç girdili bir nöron düşünelim.
526. 16:09Bir nöron için gelen input'un 2, 3 ve 1
527. 16:12olduğunu düşünelim. Nöronun
528. 16:14weight'lerine ise 0.5, -1 ve 2 diyelim.
529. 16:17Bias'a da 1 diyelim. Hesaplama şöyle
530. 16:18olmuş oluyor. 2 x 0.5 + 3 x -1 + 1 x 2
531. 16:23ve artı bayas olan 1'i eklediğimizde 1
532. 16:26sonucunu elde ederiz. Eşitliğin
533. 16:27karşısındaki bu 1, bu işlemi yapan
534. 16:29nöronun çıktısıdır. Yani aslında
535. 16:31convolution'daki işlemin aynısını burada
536. 16:33yapmış oluyoruz. Input layer'ların ne
537. 16:34yaptığını biliyoruz. Yaptıkları tek şey
538. 16:36önceki katmanlardan gelen flatten
539. 16:38edilmiş veriyi tutmak. Peki hidden
540. 16:39layer'la output layer'larının
541. 16:41birbirlerinden farkı ne? İkisi de az
542. 16:42önceki hesabı yapar. Farkları
543. 16:44kullandıkları aktivasyon fonksiyonu ve
544. 16:46rolleri dir. Hidden layer'lar Relu
545. 16:47aktivasyon fonksiyonunu kullanır. Asıl
546. 16:49classification yapmanın öğrenildiği yer
547. 16:51burasıdır. Flatten'den gelen özellikleri
548. 16:53birleştirip ara sonuçlar üretir. Örneğin
549. 16:55bir nöron üstte yatay çizgi var ve altta
550. 16:57kıvrım var kombinasyonuna duyarlı hale
551. 17:00gelir. Nöronların tek bir anlamı yoktur.
552. 17:02Neye ne kadar duyarlı olacaklarına
553. 17:03eğitim karar verir. Örneğin bu nöronun
554. 17:05mu 3'ün köşesindeki kıvrımlarından
555. 17:07sorumlu olacağı yoksa bu nöronun mu
556. 17:09olacağına eğitim esnasında karar
557. 17:11verilir. Burada rastgelelik söz
558. 17:12konusudur. Output layer ise softmax
559. 17:15aktivasyon fonksiyonunu kullanır. Basit
560. 17:17deyişle buranın 3'ün mü aradığımız rakam
561. 17:19olduğunu yoksa 5'in mi aradığımız rakam
562. 17:21olduğunu söyleyen katmandır. 0 ile 1
563. 17:23arasında olasılıksal değerle yön
564. 17:25gösterir. Örneğin 1 için 0.11, 5 için
565. 17:280.87 dediyse aralarındaki en yüksek
566. 17:31değer olan 5 öne çıkar ve sonuç olarak
567. 17:33bu rakam %87 olasılıkla 5'tir denmiş
568. 17:35olur. Bizim örneğimizde buradaki nöron
569. 17:37sayıları şöyledir. Bildiğiniz üzere
570. 17:39bizim resmimiz 28 x 28 x 1 boyutunda
571. 17:42geldi. Convolution katmanında 32 adet
572. 17:44convolution filter'ı kullandığımızı
573. 17:46varsayarsak bu boyut 28 x 28 x 32 oldu.
574. 17:50Ardından pooling layer'ında 2 x 2
575. 17:52pencere kullanarak bu boyutu 14 x
576. 17:54[müzik] 14 x 32 seviyesine getirdik.
577. 17:56Sonra ikinci convolution katmanında 64
578. 17:58tane kernel kullandık ve boyut [müzik]
579. 18:0014 x 14 x 60 oldu. Ardından tekrar bir
580. 18:03max pooling yaptık ve boyut 7 x 7 x 64
581. 18:06oldu. En sonunda flatten ile bunları
582. 18:08düzleştirdik ve 7 x 7 x 64'ten sayı 3136
583. 18:12oldu. Dolayısıyla input layer'ımızda
584. 18:143136 nöron vardır diyebiliriz. Hidden
585. 18:16layer'larımızda da 128 adet nöron
586. 18:18kullandığımızı varsayalım. Genelde MNIST
587. 18:20için kullanılan alışılagelmiş nöron
588. 18:22sayısı budur. Output katmanında 0'dan
589. 18:249'a 10 adet sınıflandırma seçeneğimiz
590. 18:26olduğundan dolayı 10 nöron kullandık.
591. 18:28Bir de mimaride gözünüze çarpmış
592. 18:29olabilecek olan dropout layer'ımız var.
593. 18:31Dropout layer'ın amacı overfitting'i
594. 18:33engellemektir. Rastgele bazı nöronları
595. 18:35kapatarak aşırı öğrenmeyi, modelin
596. 18:37eğitim veri setini ezberlemesini
597. 18:38engeller. Dropout olmadan bazı nöronlar
598. 18:41birbirlerine aşırı bağımlı hale gelir ve
599. 18:43belirli örnekleri ezberleyen dar
600. 18:44kombinasyonlar oluşur. Hangi nöronun
601. 18:46kapanacağı belli olmadığında hiçbir
602. 18:48nöron diğerine güvenemez. Her biri tek
603. 18:50başına işe yarayan bir özellik öğrenmek
604. 18:51zorunda kalır. Mimarideki yeri ise
605. 18:54hidden layer'lar ile output
606. 18:55layer'larının arasıdır. Fakat hidden
607. 18:57layer'ların kendi arasında bir yerde
608. 18:58konabilir. Örneğin kod kısmında dropout
609. 19:000.5 dediğinizde bu hidden layer'lardaki
610. 19:03128 nöronun her birini %50 ihtimalle
611. 19:06kapat demektir. Son olarak bahsetmediğim
612. 19:07forward propagation ve backward
613. 19:09propagation konularından bahsetmek
614. 19:11istiyorum. Buraya kadar öğrenimin
615. 19:12modelin weight'lerini güncelleyerek,
616. 19:14yani ağırlıklarını güncelleyerek
617. 19:15olduğunu söyledik. Peki ya bu nasıl
618. 19:17oluyor? Buradaki iki kavram forward ve
619. 19:19backward propagation. Forward
620. 19:21propagation başından beri anlattığımız
621. 19:22normal mimaridir. Model lineer şekilde
622. 19:25mimarimizde ilerleyerek tahminlerini
623. 19:26yapar. Backward propagation gerçek değer
624. 19:29ile modelin tahmin ettiği değer
625. 19:30arasındaki farktan hata miktarının
626. 19:32hesaplanması ve bu hatanın azaltılması
627. 19:34amacıyla ağırlıkların, yani weight'lerin
628. 19:36güncellenmesini sağlayan süreçtir. Model
629. 19:39tahmin ettiği değerler ile gerçek
630. 19:40değerleri kıyaslar. Bir loss, yani kayıp
631. 19:42fonksiyonu aracılığıyla hatasını çıkarır
632. 19:45ve gerçek değerlere daha yakınlaştıracak
633. 19:47düzenlemeyi yaparak weight'leri
634. 19:48günceller. Bu işlem weight'lerin
635. 19:49bulunduğu iki yerde olur. Fully
636. 19:51connected layer ve convolution layer.
637. 19:53Diğer katmanlarda weight'ler
638. 19:54olmadığından dolayı oralarda olmaz.
639. 19:56Şimdi projemizde çalıştırdığımız CNN
640. 19:58modelinin kodlarını ve detaylarını
641. 20:00GitHub sayfamızdan kontrol edelim.
642. 20:02Projemizde kullanılan modelin kaynak
643. 20:03kodlarının bulunduğu repomuz bu şekilde.
644. 20:05Burada asıl olarak iki dosyaya
645. 20:07bakacağız. Çünkü ana işlemlerimizi
646. 20:08bunların içerisinde yaptık. [müzik]
647. 20:10Diğer kısımlar şu anki projemizle
648. 20:11alakasız kaçıyor. Bu sebeple buralara
649. 20:13değinmiyorum. Ana dosyamız olan
650. 20:15model_train, yani modelimizi eğittiğimiz
651. 20:17ve CNN katmanlarını kurduğumuz dosyaya
652. 20:19bakalım. Gördüğünüz üzere 50 satırlık
653. 20:20kısa bir kod dosyası bizleri karşılıyor.
654. 20:22En baştan hızlı bir bakış atalım. Gerçek
655. 20:24bir ürünü geliştirirken yapay zeka
656. 20:26projelerinde özellikle model eğitimi,
657. 20:28derin öğrenme ve makine öğrenmesi
658. 20:30uygulamaları gibi görevlerde genellikle
659. 20:32iki ana [müzik] kütüphane öne çıkar.
660. 20:33Birincisi PyTorch. Eski adıyla Facebook,
661. 20:36günümüz adıyla Meta tarafından
662. 20:37geliştirilen PyTorch bu alanda en yaygın
663. 20:39kullanılan kütüphanelerden birincisidir.
664. 20:41İkincisi ise TensorFlow. Google
665. 20:43tarafından geliştirilen TensorFlow
666. 20:45makine öğrenmesi ve derin öğrenme
667. 20:46uygulamalarında kullanılan bir diğer
668. 20:48önemli kütüphanedir. Biz bu projede
669. 20:50TensorFlow kullandık. TensorFlow'un
670. 20:52içerisinde yer alan yüksek seviyeli bir
671. 20:53API olan Keras'tan yararlandık. Keras'ın
672. 20:56TensorFlow'dan temel farkı modellerimizi
673. 20:58daha kısa, sade ve okunaklı bir şekilde
674. 21:00tanımlamamıza olanak sağlamasıdır.
675. 21:02Burada eğitim amaçlı bir içerik
676. 21:03ürettiğimiz için [müzik] modelin nasıl
677. 21:05oluştuğunu ve eğitildiğini daha
678. 21:06anlaşılır bir şekilde göstermek adına
679. 21:08Keras bizim için uygun bir tercih oldu.
680. 21:09Ancak burada önemli bir noktayı
681. 21:11belirtmek gerekiyor. Keras'ı kullanırken
682. 21:13arka planda hesaplama ve model
683. 21:14çalıştırma işlemleri TensorFlow
684. 21:16tarafından gerçekleştiriliyor. Yani biz
685. 21:18modeli Keras'ın daha sade ve kullanıcı
686. 21:19dostu API'yi üzerinden tanımlarken
687. 21:22işlemlerin büyük bir kısmı arka planda
688. 21:23TensorFlow tarafından yürütülüyor. İlk
689. 21:25satırda gözümüze çarpan kütüphane
690. 21:27Sequential. [müzik] Bu CNN katmanlarını
691. 21:29üst üste ardışık olarak dizmemizi
692. 21:31sağlayan bir TensorFlow model yapısıdır.
693. 21:33İkinci satırda [müzik] CNN katmanları
694. 21:34olan Convolution, Pooling, Flatten ve
695. 21:36Fully Connected Layer'larını import
696. 21:38ettik. Üçüncü satırda to_categorical'ı
697. 21:40import ettik. Bunu birazdan etiketleri
698. 21:42modelin anlayacağı forma çevirirken
699. 21:44kullanacağız. Dördüncü satırda MNIST
700. 21:45veri setini, yani el yazısı rakamları
701. 21:47import ettik. Keras bu veri setini hazır
702. 21:49olarak sunuyor. Tek satırda indirip
703. 21:51kullanabiliyoruz. NumPy çok meşhur bir
704. 21:53kütüphanedir. Açılımı Numerical
705. 21:55Python'dır. Data Science, yani veri
706. 21:56bilimi alanında çok sık kullanılır. Biz
707. 21:58ise burada resimler gibi büyük [müzik]
708. 22:00sayı tablolarıyla hızlıca hesap yapmak
709. 22:01için import ettik. Warning importları
710. 22:03ise çıktı logları kirlenmesin diye
711. 22:05uyarıları kapatmaya yarıyor. Normalde
712. 22:07modelleri eğitirken dataseti ikiye
713. 22:09böleriz. Train dataseti ve test dataseti
714. 22:11diye. Örneğin bir datasetimiz [müzik]
715. 22:13varsa bu datasetinin %70'ini modelin
716. 22:15eğitimi için kullanır, kalan %30'unu ise
717. 22:17eğitim bittikten [müzik] sonra modelin
718. 22:18test edilmesi için kullanırız. Burada
719. 22:20bunu yapıyoruz. X_train ve Y_train
720. 22:22kısımlarında modelin eğitim için
721. 22:24kullanacağı verileri kaydediyor, X test
722. 22:26ve Y test kısımlarında ise modelin
723. 22:28eğitim sonrası test edilmesi için
724. 22:29ayrılmış veri seti parçalarını
725. 22:31bulunduruyoruz. X'ler resimlerin
726. 22:33kendilerine, Y'ler ise o resimlerde
727. 22:34hangi rakamın yazıldığını, yani doğru
728. 22:36cevapları barındırıyor. Train kısmı
729. 22:38modeli eğitmek için kullanacağımız
730. 22:4060.000 resim, test kısmı ise modelin
731. 22:42eğitim sırasında [müzik] hiç görmediği
732. 22:4310.000 resmi barındırıyor. Model
733. 22:45eğitildikten sonra daha önce görmediği
734. 22:47resimlerde ne kadar başarılı olduğunu
735. 22:49bununla ölçebiliriz. Bu kısımda ise
736. 22:50normalizasyon işlemi yapıyoruz.
737. 22:52Bilgisayar için her piksel 0 ile 255
738. 22:55arasında bir sayıdır. 0 siyah, 255
739. 22:57beyaz, aradaki değerler grinin
740. 22:59tonlarıdır. Biz bu sayıları 255'e
741. 23:01bölerek hepsini 0 ile 1 arasına
742. 23:03getiriyoruz. Yani normalize ediyoruz.
743. 23:04[müzik] 255'e bölme işlemi yapıldıktan
744. 23:07sonra örneğin 255 olan piksel 1, 0 olan
745. 23:10piksel yine 0 oluyor. Yani pikseller 0
746. 23:12ile 1 değeri arasında float değerleri
747. 23:14olarak temsil ediliyor. Resim aynı
748. 23:16görünmeye devam ediyor. Sadece sayılar
749. 23:18küçülüyor. Bunu yapıyoruz çünkü model
750. 23:19küçük sayılarla çok daha rahat ve hızlı
751. 23:21öğreniyor. Büyük sayıları ise eğitimi
752. 23:23zorlaştırıyor. Dimension fixing kısmında
753. 23:25boyut düzenleme işlemi yapıyoruz.
754. 23:26Convolution katmanı her resmi üç [müzik]
755. 23:28bilgiyle bekler. Yükseklik, genişlik ve
756. 23:30kanal sayısı. Kanal sayısı resmin renk
757. 23:32bilgisidir. Renkli resimlerde üç kanal
758. 23:35vardır. Kırmızı, yeşil ve mavi. Siyah
759. 23:37beyaz resimlerde ise tek kanal vardır.
760. 23:39MNIST veri [müzik] seti içerisinde
761. 23:40bulunan el yazısı rakamları siyah beyaz
762. 23:43olduğu için burada kanal sayısını 1
763. 23:44olarak ayarladık. Bu satır onu ekliyor.
764. 23:46[müzik] 28 x 28 olan resimlerimizi 28 x
765. 23:4928 x 1, yani 28 x 28 boyutlu siyah beyaz
766. 23:53resimler demek oluyor. Başındaki 60.000
767. 23:55sayısı yukarıda da bahsettiğimiz
768. 23:57eğitimde [müzik] kullanılacak olan
769. 23:58resimlerin sayısını belirtiyor. Buradaki
770. 24:00işlemimiz one hot encoding isimli bir
771. 24:02işlem. [müzik] Modelimizin çıktısında 10
772. 24:04tane kutu olduğunu düşünelim. Her kutu
773. 24:06bir rakamı temsil ediyor. Model her
774. 24:08rakam için bir olasılık tahmin ediyor.
775. 24:10Örneğin modelimizin tahmini böyle olsun.
776. 24:11Burada model 1 [müzik] için %10, 3 için
777. 24:14%20, 5 için %60, 8 için %10 olasılık
778. 24:17vermiş. En yüksek olasılık %60 ile 5
779. 24:19rakamında [müzik] olduğu için modelin
780. 24:21tahmini 5 oluyor. Şimdi model tahminini
781. 24:23gerçek cevapla karşılaştırmamız
782. 24:24gerekiyor. Bunun için Y train [müzik] ve
783. 24:26Y test içerisindeki gerçek cevapları da
784. 24:28aynı formata getiriyoruz. Burada
785. 24:30yaptığımız işlemde tam olarak bu. Y
786. 24:32train içerisindeki rakamları one hot
787. 24:33formatına dönüştürüyoruz. Normalde Y
788. 24:35train içerisinde cevaplar doğrudan rakam
789. 24:37olarak bulunuyor. Örneğin bu resmin
790. 24:39gerçek cevabı 8 ise Y train eşittir 8
791. 24:42şeklinde bir formatta [müzik] bulunuyor.
792. 24:43Biz bu değeri one hot encoding ile 10
793. 24:45elemanlı bir diziye dönüştürüyoruz ve
794. 24:47tablo böyle olmuş oluyor. Burada 10 tane
795. 24:49değer var ve her değer bir rakamı temsil
796. 24:51ediyor. Gerçek cevap 8 olduğu [müzik]
797. 24:52için 8'in bulunduğu yer 1 değerini
798. 24:54alıyor. Diğer bütün rakamların bulunduğu
799. 24:56yerler ise 0 oluyor. Yani Y train
800. 24:58içerisindeki her rakam için bu işlem
801. 25:00tekrar ediliyor. Gerçek cevap 3 ise 3'ün
802. 25:02bulunduğu yer 1, diğerleri 0 oluyor.
803. 25:04Gerçek cevap 5 ise 5'in bulunduğu yer 1,
804. 25:07diğerleri 0 oluyor. Böylece elimizde iki
805. 25:09farklı cevap oluyor. Gerçek cevabın
806. 25:11bulunduğu one hot formatı ve modelin
807. 25:13tahmini. Burada 5 demiş ama gerçek cevap
808. 25:158. Yani modelimiz yanılmış. Bu iki
809. 25:17diziyi karşılaştırarak modelin ne kadar
810. 25:19hata yaptığını hesaplayabiliyoruz. Daha
811. 25:20sonra model bu hatayı azaltmaya
812. 25:22çalışarak kendi weight'lerini
813. 25:23güncelliyor ve zamanla daha da doğru
814. 25:25tahminler yapmayı öğreniyor. Peki bunu
815. 25:27her zaman yapmak zorunda mıyız? Cevabı
816. 25:29hayır. Gerçek cevapları one hot
817. 25:30formatına dönüştürmemiz kullanacağımız
818. 25:32hata fonksiyonuna, yani loss function'a
819. 25:34bağlı. Birazdan kullanacağımız
820. 25:36categorical cross entropy hata [müzik]
821. 25:37fonksiyonu gerçek cevapların bu
822. 25:39formatta, yani one hot formatında
823. 25:41olmasını beklediği için burada one hot
824. 25:43encoding işlemi yapıyoruz. Asıl modeli
825. 25:45kurduğumuz, katmanlarını belirlediğimiz,
826. 25:47neye benzeyeceğini tanımladığımız kısma
827. 25:49[müzik] geldik. Burada teoride
828. 25:50anlattığımız katmanları sırasıyla
829. 25:52diziyoruz. İlk satır convolution [müzik]
830. 25:53katmanını tanımlıyor. 32 tane 3 x 3'lük
831. 25:56filtre kullanılacağını, çıktıya ReLU
832. 25:58aktivasyon fonksiyonu uygulanacağını
833. 26:00tanımlıyor. Input shape ise modele
834. 26:01gelecek resmin boyutunu tanımlıyor. Yani
835. 26:0428 x [müzik] 28 x 1. İkinci satır 2 x 2
836. 26:07pencere ile max pooling yapıyor. Üçüncü
837. 26:09satır flatten ile veriyi düzleştiriyor.
838. 26:11Dördüncü satır 128 nöronlu hidden
839. 26:13layer'ımız. Son satırda 10 nöronlu
840. 26:15output layer'ımız. Softmax [müzik] ile
841. 26:17her rakam için bir olasılık veriyor.
842. 26:19Fark etmiş olabileceğiniz üzere bu model
843. 26:21diyagramdaki mimariden daha sade. Tek
844. 26:23convolution ve tek pooling katmanı var.
845. 26:25Dropout yok. Bunun sebebi MNIST basit
846. 26:27bir veri seti olduğu için bu yalın
847. 26:29katman dizilimi bize yetiyor. Daha
848. 26:30karmaşık veri setlerinde diyagramdaki
849. 26:32gibi daha fazla katman kullanmamız
850. 26:34gerekir. Compile kısmında modele nasıl
851. 26:36öğreneceğini söylüyoruz. Optimizer
852. 26:37[müzik]
853. 26:38modelin hata yaptıktan sonra
854. 26:39weight'lerini nasıl güncelleyeceğini
855. 26:41belirleyen yöntem. Adam en yaygın
856. 26:43kullanılan optimizer. Çünkü ekstra ayar
857. 26:45yapmadan çoğu problemde iyi çalışıyor.
858. 26:47Loss modelin ne kadar hata yaptığını
859. 26:48ölçen fonksiyon. Categorical
860. 26:50crossentropy birden fazla sınıf arasında
861. 26:52seçim yapılan problemlerde kullanılan
862. 26:54standart hata ölçüsü. Model doğru rakama
863. 26:56yüksek olasılık verirse ceza düşük,
864. 26:58düşük olasılık verirse ceza büyük
865. 27:00oluyor. Metrics ise sadece bizim
866. 27:01notlardan takip etmemiz için var.
867. 27:03Accuracy yani doğruluk metriği modelin
868. 27:06yüzde kaç doğru tahmin yaptığını
869. 27:07gösteriyor. Tüm metriklerin tamamlanması
870. 27:09ve parametrelerin ayarlanması sonrasında
871. 27:11modelin eğitimini başlatan satır burası.
872. 27:14Meşhur fit fonksiyonuyla model training
873. 27:15başlar. Eğitim için kullanılan X_train
874. 27:18ve Y_train veri set parçalarını modele
875. 27:20veriyoruz. Epoch modelin veri setini kaç
876. 27:22kere göreceğini belirler. Burada üç
877. 27:23seçmişiz. Model bu X_train ve Y_train'i
878. 27:26üç kere tekrar tekrar görüp
879. 27:27weight'lerini yani ağırlıklarını
880. 27:29güncelleyecek demektir. Batch size 32
881. 27:31demek [müzik] modelin resimleri 32'şerli
882. 27:33gruplar halinde göreceği ve her 32
883. 27:35resimden sonra weight'lerini
884. 27:36güncelleyeceği anlamına geliyor.
885. 27:38Validation split eşittir 0.2 ise eğitim
886. 27:41verisinin yüzde 20'sini yani 12.000
887. 27:43resmi kenara ayırıyor. Model bu
888. 27:44resimlerle eğitilmiyor. Her epoch
889. 27:46sonunda bu resimlerle sınanıyor ve biz
890. 27:48modelin gerçekten öğrenip öğrenmediğini
891. 27:50yoksa ezberleyip ezberlemediğini buradan
892. 27:52takip ediyoruz. En sonda modelimizin
893. 27:54performansını [müzik] beğendiysek daha
894. 27:55sonra tekrar tekrar etmek zorunda
895. 27:57kalmadan bu ağırlıkla kullanabilmek için
896. 27:59kaydediyoruz. Machine learning
897. 28:00modellerini kaydederken genelde .pkl,
898. 28:03deep learning modellerini kaydederken
899. 28:04ise .h5 dosyaları oluşur. Bizim
900. 28:07dosyamızın adı da mnist_model.h5'tir.
901. 28:09Bu modelin kayıtlı olduğu dosyayı aynı
902. 28:11repo içerisinde bulabilirsiniz. [müzik]
903. 28:13Bu dosyayı STM32CubeAI programı
904. 28:15içerisinde kullandık. .h5 dosyası
905. 28:17compile edilerek C koduna çevriliyor ki
906. 28:19donanımımız içerisinde bu modeli
907. 28:21çalıştırabilelim. Evet, CNN teorik
908. 28:23anlatımını yaptık. Donanımımızda
909. 28:24kullandığımız modelin kod yapısını
910. 28:26inceledik. Son olarak bu repoyu genel
911. 28:27olarak deneyimlemek [müzik] talimatları
912. 28:30takip edebilirsiniz. El yazısı resmini
913. 28:32yüklemenizi sağlayan bir front-end
914. 28:33arayüzü ve kısa back-end kodları diğer
915. 28:35dosyalarda bulunuyor. Tüm bu reponun
916. 28:37linkini açıklamalardaki bağlantılardan
917. 28:38bulabilirsiniz. Bugünlük benden bu
918. 28:40kadar. Diğer yapay zeka donanım
919. 28:42entegrasyonu videolarında görüşmek
920. 28:43üzere. Kendinize iyi bakın. Söz
921. 28:45Muhammed'de.
922. 28:45>> Artık elimizde bir yapay zeka modeli
923. 28:47var. Fakat uygulama kısmına geçmeden
924. 28:49önce ufak bir güncelleme yapacağız.
925. 28:51Biliyorsunuz bundan önceki videolarda
926. 28:52tüm çalışmalarımızı STM32 Cube IDE
927. 28:55içerisinde [müzik] yapıyorduk. Ancak ST
928. 28:56firması STM32 Cube IDE 2.0 versiyonundan
929. 28:59sonra CubeMX ve CubeIDE yapılarını
930. 29:01birbirinden ayırdı. Aslında bu çok yeni
931. 29:03bir durum değil. Bayağıdır bu şekilde
932. 29:05ilerliyordu. Biz de bu videodan itibaren
933. 29:07bunları ayrı bir program olarak
934. 29:09kullanacağız. Ayrıca Python dilinde
935. 29:10yazılmış bir yapay zeka modelini nasıl
936. 29:13STM32'ye entegre edeceğimize bakalım.
937. 29:15[müzik] Bunun için STM32 Cube IDE
938. 29:17içerisinde bir Cube AI eklentisi var.
939. 29:19Oradan yapılabiliyordu ve teknik olarak
940. 29:21hala yapılabiliyor. Fakat ST bu kısmı
941. 29:23artık güncellemeyeciğini ve yoluna STM32
942. 29:25Cube AI yazılımı üzerinden devam
943. 29:27edeceğini duyurdu. Ben de sistemime tüm
944. 29:29bu programların en güncel sürümlerini
945. 29:30kurdum. Bundan sonraki süreçte güncel
946. 29:32versiyonlarla ilerleyeceğiz. Siz de
947. 29:34CubeIDE, CubeMX ve CubeAI programlarını
948. 29:36ST'nin resmi web sitesinden
949. 29:38indirebilirsiniz. Gerekli linkleri
950. 29:39açıklama kısmına bırakacağım. Bu
951. 29:41uygulamada doğrudan kullanmayacağız ama
952. 29:43işinize yarayacak STM32 Programmer ve
953. 29:45CubeMX 2 yazılımlarını indirmenizi
954. 29:47tavsiye ederim. Son olarak şunu da
955. 29:48belirteyim. Daha önce birlikte
956. 29:50yaptığımız tüm projeleri bu güncel
957. 29:51versiyonlarda da sorunsuz bir şekilde
958. 29:53çalıştırabiliyoruz. O zaman hadi
959. 29:55başlayalım. STM32 Cube AI programımızı
960. 29:57açıyoruz. Program açıldığında bizi böyle
961. 29:59bir arayüz karşılıyor. Sol tarafta
962. 30:01Settings ayarlar kısmı var. Öncelikle
963. 30:03buraya göz atalım. Bu sayfada yapay zeka
964. 30:05uygulamaları geliştirmek için gerekli
965. 30:07olan yazılımlar ve bunların dosya
966. 30:08yolları yer alıyor. Sırasıyla göz atacak
967. 30:10olursak ST Edge AI Core. Arka planda
968. 30:12çalışan derleme ve optimizasyon [müzik]
969. 30:14katmanı. STM32 Cube AI kurarken
970. 30:16sistemimize otomatik yüklenen kısım.
971. 30:18STM32 Cube Programmer. Bu araç hem
972. 30:20harici bir yazılım olarak
973. 30:21kullanılabiliyor hem de STM32 Cube IDE
974. 30:23içerisinde entegre olarak geliyor. Eğer
975. 30:25harici olarak kurmazsanız sistem
976. 30:27otomatik olarak CubeIDE içindeki sürüme
977. 30:28bağlanabilir. STM32 CubeMX ve CubeMX 2
978. 30:31olmak üzere iki farklı yapılandırma
979. 30:33aracı seçeneğimiz var. Projelerimizde
980. 30:34CubeMX'i kullanıyoruz. CubeMX 2'yi aktif
981. 30:37olarak kullanmasak da önümüzdeki dönemde
982. 30:38kademeli olarak CubeMX 2'ye geçileceğini
983. 30:40düşünüyorum. Bu yüzden indirip aşina
984. 30:42olmakta fayda var. Son olarak
985. 30:43kodlarımızı yazacağımız IDE
986. 30:44seçeneklerimiz [müzik] var.
987. 30:45STM32CubeIDE, Keil ve IAR Embedded
988. 30:48Workbench. STM32CubeIDE bizim de
989. 30:50kullandığımız, ST'nin sunduğu tamamen
990. 30:52ücretsiz IDE. [müzik] Keil ARM'ın resmi
991. 30:54geliştirme ortamı. Sadece STM32 değil,
992. 30:56Renesas, NXP gibi tüm ARM mimarilerini
993. 30:59programlayabiliyor. Ancak ücretli bir
994. 31:00yazılım. IAR Embedded Workbench sadece
995. 31:03ARM değil, birçok mimarayı kapsayan
996. 31:04yüksek kod optimizasyonuna ve
997. 31:06uluslararası güvenlik sertifikalarına
998. 31:08sahip endüstri standardı bir platform.
999. 31:10Ancak bu da ücretli bir IDE. Biz
1000. 31:12projemizde STM32CubeIDE üzerinden devam
1001. 31:14edeceğiz. Ayarlar kısmı bu kadardı.
1002. 31:16Şimdi proje ekranına geri dönelim. Proje
1003. 31:18oluştura tıklıyorum. Açılan pencerede
1004. 31:20projemizin ismini giriyorum. Adı rakam
1005. 31:22olsun. Devam ediyorum. Target sayfası
1006. 31:23açılıyor. Burada kullandığımız
1007. 31:25Nucleo-F446RE
1008. 31:26kartını seçiyoruz. Kart ekranda belirdi.
1009. 31:29128 KB RAM ve 512 KB Flash olduğu burada
1010. 31:33belirtilmiş. [müzik] Bu bilgiler
1011. 31:34projemiz için önemli. Devam ediyorum.
1012. 31:36Burada C diline dönüştürülen yapay zeka
1013. 31:38kodlarımızın hangi yazılım programında
1014. 31:39çalışacağını seçiyoruz. STM32CubeIDE
1015. 31:42programını seçiyorum. Projemiz
1016. 31:43oluşturuldu. Yapay zeka modelimiz olan
1017. 31:45mnist_model.h5 dosyasını model file
1018. 31:48kısmına tıklayarak ekliyoruz. Yapay zeka
1019. 31:50modelimiz eklendi. Hemen altında [müzik]
1020. 31:52optimizasyon kısmı var. Burada
1021. 31:53seçenekler hafıza öncelikli mi yoksa
1022. 31:55zaman öncelikli mi olması, [müzik] bir
1023. 31:57de balans dengeli seçeneği var. Bu
1024. 31:58uygulamada balans seçeneğini
1025. 31:59kullanacağız. Devamında target kısmı
1026. 32:01var. İçerisinde memory pool yani bellek
1027. 32:03havuzu, RAM yerleşimi ve boyutunun
1028. 32:05[müzik] ayarlandığı kısım. Yanındaki
1029. 32:06ayar simgesine tıkladığımızda karşımıza
1030. 32:08böyle sayfa çıkıyor. Modelin
1031. 32:10ağırlıklarının ve aktivasyon
1032. 32:11tamponlarının mikrodenetleyicinin hangi
1033. 32:13RAM bölgesine yerleştirileceğini burada
1034. 32:14belirliyoruz. STM32F446RE
1035. 32:17için SRAM başlangıç adresi yazıyor.
1036. 32:19Harici bir RAM kullanmayacağımız için
1037. 32:21burada herhangi bir işlem yapmayıp
1038. 32:22kapatıyoruz. Validation kısmı Cube
1039. 32:24AI'dan çıktı almadan önce yapay zeka
1040. 32:26modelimizi bizim burada ayarladığımız
1041. 32:28parametrelere uygun olacak şekilde test
1042. 32:30ediyor. Alttaki mod kısmında cihazda mı
1043. 32:32yoksa bilgisayarda mı test edileceği
1044. 32:34soruluyor. Benim tercihim cihazda test
1045. 32:36edilmesi, ama dikkat bunu seçip teste
1046. 32:38başlatırsanız içindeki [müzik] kodları
1047. 32:39silecektir. O da aklınızda bulunsun. Bir
1048. 32:41de advanced setting kısmı var. Burada
1049. 32:43generate edilen C modelinin adını
1050. 32:45soruyor. Herhangi bir şey yazmazsak
1051. 32:47network olarak kalacak. Ben böyle
1052. 32:48bırakıyorum. Hemen altında STM32Cube AI
1053. 32:51uygulamasının önemli bir kısmı olan
1054. 32:53sıkıştırma seviyesi bölümü. Python'da
1055. 32:54hazırladığımız yapay zeka modelinin
1056. 32:56çıktısı [müzik] en direkt STM32'de zaten
1057. 32:58çalışmaz. Bunu C koduna dönüştüreceğiz.
1058. 33:00Ama C koduna dönüştürsek bile çoğu zaman
1059. 33:03hafıza sıkıntısı çekeceğiz. Örneğin bu
1060. 33:05uygulamada sıkıştırma olmazsa veya az
1061. 33:07olursa hafıza yetersizliğinden dolayı
1062. 33:09proje hata verecek. Bundan ötürü [müzik]
1063. 33:10sıkıştırmayı yüksek seçiyorum. Devamında
1064. 33:12farklı ayar parametreleri var. Bunları
1065. 33:14şimdilik olduğu gibi bırakıyoruz.
1066. 33:15İlerleyen projelerde kısım kısım
1067. 33:17değiniriz. Kaydet deyip bu pencereyi
1068. 33:18kapatıyorum. Projemiz test etmeye hazır.
1069. 33:20[müzik] Kartımız bilgisayara bağlı. Run
1070. 33:22butonuna basıyorum ve karşımıza bir
1071. 33:23uyarı ekranı çıkıyor. Cube MX programı
1072. 33:25arka planda çalışacak, onunla etkileşime
1073. 33:27girmeyin diyor. Tabii efendim deyip
1074. 33:28kapatıyoruz. Bu kısım biraz zaman
1075. 33:29alıyor. Bu süre zarfında programa ve
1076. 33:31karta ellemiyoruz. Test kısmı başarıyla
1077. 33:33tamamlandı. Şimdi çıktıyı inceleyelim.
1078. 33:35Context kısmında kullandığımız kartı,
1079. 33:37yapay zeka modelinin giriş ve çıkış
1080. 33:39parametrelerini, yaptığımız
1081. 33:40optimizasyonları ve ayarları
1082. 33:41görebilirsiniz. [müzik]
1083. 33:42Bunları zaten biz belirledik. Asıl
1084. 33:44önemli olan nokta ise çıktı kısmı.
1085. 33:46Sonuçlara baktığımızda yapay zeka
1086. 33:48modelimiz [müzik] flash bellekte 345 KB,
1087. 33:50RAM'de ise 88 KB yer kaplıyor. Bunu
1088. 33:53grafikler üzerinden de net bir şekilde
1089. 33:54görebilirsiniz. Modelimizin [müzik] bir
1090. 33:56veriyi tahmin etmesi yaklaşık 63 ms
1091. 33:58sürüyor ve saniyede 15 ila 16 tahmin
1092. 34:00gerçekleştirebiliyor. Burada da modelin
1093. 34:02sistemle olan uyumluluk oranı
1094. 34:03belirtilmiş. Validation yani doğrulama
1095. 34:05kısmına baktığımızda tahmin başarısı ve
1096. 34:07doğruluk oranı %90 olarak verilmiş. Bu
1097. 34:09değer uygulamamız için oldukça yeterli.
1098. 34:11[müzik] Memory pools kısmında RAM
1099. 34:13adresinin nerede başlayacağı gösterilmiş
1100. 34:15ve tekrar kullanılan RAM miktarı
1101. 34:17belirtilmiş. Şimdi C kodumuzu
1102. 34:18oluşturalım. Generate code butonuna
1103. 34:20bastığımızda karşımıza bu uyarı
1104. 34:21penceresi çıkıyor. Burada proje seçeneği
1105. 34:23olarak uygulamanın gerçek bir proje için
1106. 34:26mi yoksa doğrulama testi için mi
1107. 34:27olduğunu soruyor. Application uygulama
1108. 34:29seçeneği işaretli olarak kalacak.
1109. 34:31Devamında ise kod üretim tipini soruyor.
1110. 34:33Sadece C kodu mu üretilsin yoksa
1111. 34:35sıfırdan yeni bir proje mi oluştursun?
1112. 34:37Bizim halihazırda bir projemiz olduğu
1113. 34:38için sadece C kodu üretme seçeneğini
1114. 34:40[müzik] işaretli bırakıyoruz. Generate
1115. 34:41butonuna basıyorum ve kod üretimi
1116. 34:43başlıyor. İşlem tamamlandı. Kodu
1117. 34:45masaüstüne [müzik] indiriyoruz. Kaydet
1118. 34:46butonuna basarak indirme işlemini
1119. 34:48tamamlıyorum. STM32CubeAI ile işimiz
1120. 34:50bitti. Artık bu programı kapatabiliriz.
1121. 34:52Gördüğünüz gibi ürettiğimiz kod
1122. 34:54masaüstüne sıkıştırılmış bir zip dosyası
1123. 34:56olarak geldi. Şimdi bir önceki SPI TFT
1124. 34:58uygulamasında yaptığımız projemizi yeni
1125. 35:00versiyon CubeMX programında açalım.
1126. 35:02CubeMX açıldıktan sonra file kısmından
1127. 35:04var olan bir projeyi açacağımız için
1128. 35:06load project diyoruz. Açılan pencereden
1129. 35:08projemizi .ioc dosyasını seçip open
1130. 35:11butonuna basıyoruz ve projemizin CubeMX
1131. 35:13arayüzü açılıyor. Gördüğünüz gibi eski
1132. 35:15versiyona nasıl ayarladıysak burada da
1133. 35:16aynı şekilde geldi. Eğer sıfırdan bir
1134. 35:18proje oluşturuyor olsaydık project
1135. 35:19manager kısmından projemizin dosya
1136. 35:21yolunu ve hangi IDE'de çalıştırılacağını
1137. 35:23seçerek oluşturabilirdik. Fakat var olan
1138. 35:25bir proje üzerinden ilerlediğimiz için
1139. 35:27bu kısımda herhangi bir değişiklik
1140. 35:28[müzik] yapmıyorum. Generate code
1141. 35:29butonuna basıyorum ve CubeMX'te
1142. 35:31yaptığımız son güncellemeleri kod
1143. 35:33kısmına aktarıyor. Biz herhangi bir
1144. 35:34değişiklik yapmadık ama olsun. Bu
1145. 35:35aşamaları da birlikte görmüş olalım.
1146. 35:37İşlem tamamlanınca karşımıza çıkan ekran
1147. 35:39da open project dersek STM32CubeIDE'yi
1148. 35:40[müzik]
1149. 35:41açar. Dosya yolunu kontrol ediyoruz.
1150. 35:42Doğruysa launch butonuna tıklayıp
1151. 35:44programımızı açıyoruz. Programımız
1152. 35:45açıldı. Gördüğünüz gibi kodlarımız eski
1153. 35:47projemizde olduğu gibi geldi. İsterseniz
1154. 35:49CubeMX ve CubeIDE'yi kapatıp direkt
1155. 35:51STM32CubeIDE üzerinden [müzik] de
1156. 35:53açabiliriz. Gördüğünüz gibi eski
1157. 35:54projemiz programın yeni versiyonunda da
1158. 35:56problemsiz bir şekilde çalışıyor. Şimdi
1159. 35:58ekranı küçültüp yapay zeka
1160. 35:59kütüphanelerimizi [müzik] projemize
1161. 36:01ekleyelim. Yapay zeka kodlarımızı
1162. 36:02sıkıştırılmış dosyanın içerisinden
1163. 36:04çıkartıyoruz. Dosyayı açtığımızda
1164. 36:06önümüze üç tane klasör çıkıyor. Bu üç
1165. 36:08dosyayı da sürükleyip kendi projemize
1166. 36:10atıyoruz. Çıkan uyarı ekranında dosya ve
1167. 36:12klasörleri kopyalama seçeneği işaretli
1168. 36:14olacak şekilde kalsın. Ok butonuna
1169. 36:16basıyoruz ve dosyalarımız kopyalandı.
1170. 36:18Kopyalanan dosyalar içerisinde AI, AI
1171. 36:20generated network ve middlewares
1172. 36:22klasörleri yer alıyor. Bu klasörlerin
1173. 36:24işlevleri [müzik] kısaca şunlardır. AI
1174. 36:26yapay zeka modelinin çalışması için
1175. 36:28gereken temel çalışma zamanı runtime
1176. 36:30kütüphanelerini ve çekirdek
1177. 36:31fonksiyonlarını barındırır. AI generated
1178. 36:33network STM32CubeAI tarafından
1179. 36:35modelimizin katılımı ile otomatik olarak
1180. 36:37üretilen yapay zeka ağının mimarisini
1181. 36:40>> [müzik]
1182. 36:40>> ve ağırlık verilerini içeren kaynak
1183. 36:41kodları barındırır. Middlewares STM32
1184. 36:45donanım ve yazılım katmanları arasında
1185. 36:46köprü görevi gören ara katılım
1186. 36:48kütüphanelerini içerir. Şimdi bu
1187. 36:50kopyaladığımız dosyaların yollarını
1188. 36:51projemize tanıtalım. İçerisindeki .c ve
1189. 36:54.h uzantılı dosyaları ayrı ayrı
1190. 36:56tanıtmamız gerekiyor. Projenin üstüne
1191. 36:58gelip sağ tık yapıyoruz ve properties
1192. 37:00seçeneğine basıyoruz. Açılan pencerenin
1193. 37:01sol tarafında C/C++ General altındaki
1194. 37:04Path and Symbols seçeneğine tıklıyorum.
1195. 37:06Source Location kısmından .c uzantılı
1196. 37:09dosyalarımızı ekleyeceğiz. Dosya ekleme
1197. 37:11butonuna basarak .c uzantılı
1198. 37:13dosyalarımızı tek tek ekliyorum.
1199. 37:17.c uzantılı dosyalar tamam. Şimdi .h
1200. 37:19uzantılı dosyalar için Includes kısmına
1201. 37:21geçiyorum. Benzer şekilde ekle butonuna
1202. 37:23basıyorum. Çıkan ekranda Workspace
1203. 37:25butonuna [müzik] tıklıyorum. Burada
1204. 37:26açılan pencerede projemizi de
1205. 37:27görebiliyoruz. .h uzantılı dosyalarımızı
1206. 37:30bulup ekliyoruz. Ok butonuna bastıktan
1207. 37:32sonra tüm kutucukları işaretliyoruz.
1208. 37:34Ardından tekrar ok butonuna basarak
1209. 37:35ekleme işlemimizi tamamlıyoruz. Diğer .h
1210. 37:38uzantılı dosyaların bulunduğu klasörleri
1211. 37:39de aynı şekilde ekliyoruz.
1212. 37:44.c ve .h dosyaları dışında lib klasörü
1213. 37:48içerisinde yer alan .a uzantılı
1214. 37:50dosyamızı da tanıtmamız gerekiyor. Bunun
1215. 37:51için de sol tarafta C/C++ Build kısmına
1216. 37:54tıklıyoruz. Açılan seçeneklerden
1217. 37:56Settings kısmına tıklıyoruz. Önümüze
1218. 37:58gelen yeni seçeneklerden alttaki
1219. 37:59Libraries kısmına tıklıyorum. Sağ
1220. 38:01tarafta iki bölme beliriyor. Alttaki
1221. 38:02kısımda dosya ekleme butonuna basıyorum
1222. 38:04ve karşıma .a uzantılı dosyanın yolu
1223. 38:06geliyor. Herhangi bir değişiklik
1224. 38:08yapmadan ok butonuna basıp ekliyorum.
1225. 38:10Benzer şekilde üstteki bölmenin dosya
1226. 38:12ekleme butonuna basıyorum ve açılan
1227. 38:13pencerede çıkan uzantıyı silip başına
1228. 38:15iki nokta koyup dosyanın adını
1229. 38:17yazıyorum.
1230. 38:18Sonra ok butonuna basarak dosyayı
1231. 38:19ekliyorum. Son olarak Apply and Close
1232. 38:21butonuna basarak işlemi tamamlıyoruz.
1233. 38:23Kodumuzu derleyip kontrol edelim, eksik
1234. 38:25bir nokta var mı diye.
1235. 38:26Kodumuz derlendi. Hata yok. Sadece iki
1236. 38:28tane uyarı var. Yani projemiz problemsiz
1237. 38:30bir şekilde derleniyor. Şimdi kod
1238. 38:31kısmına geçebiliriz. Kod kısmına önceki
1239. 38:34projeden kalan kodları silerek
1240. 38:35başlıyorum.
1241. 38:36Main.c içerisinde yazdıklarımızın
1242. 38:38tamamını siliyoruz. AI klasörü içindeki
1243. 38:41app klasöründe uygulamayı kolaylıkla
1244. 38:43yapabilmemiz için hazır üretilmiş bir
1245. 38:45uygulama şablonu mevcut. Bunu
1246. 38:46kullanacağız. Bu dosyalar appx cube ai.c
1247. 38:49ve appx cube ai.h dosyaları. Şimdi
1248. 38:52bunları açalım. Bu projemiz için gereken
1249. 38:54kodları tek tek yazmak aşırı zaman
1250. 38:56alacağından ötürü ben bunları önceden
1251. 38:57yazdım. Şimdi parça parça kopyalayalım
1252. 38:59ve üzerinde konuşalım. appx cube ai.c
1253. 39:02içerisine kütüphanelerimizi ekliyoruz.
1254. 39:04Bu kütüphaneler dokunmatik TFT ekranı
1255. 39:06kontrol ettiğimiz kütüphanelerdir.
1256. 39:08Burada fark ettiyseniz testimg.h örnek
1257. 39:10resim kütüphanesini eklemedim. Çünkü
1258. 39:12hafızada çok yer kaplıyor ve projemiz
1259. 39:14için gerekli değil. Devam ediyorum
1260. 39:15aşağıya doğru. Entry points yazan kısmın
1261. 39:17altına global değişkenlerimizi
1262. 39:19kopyalıyorum. Yanlarına açıklamalarını
1263. 39:20yazdım. AI input buffer yapay zekanın 28
1264. 39:23x 28'lik girdi matrisi. [müzik] Hemen
1265. 39:25altındaki değişken bulunan sonucun
1266. 39:27doğruluk oranı. AI run flag bunu kontrol
1267. 39:29amaçlı koydum. Bu bayrak ile yapay zeka
1268. 39:31kodlarını çalıştıracağız. Son olarak
1269. 39:33tahmin edilen rakamın değişkeni.
1270. 39:34Değişkenlerin altına fonksiyonlarımızın
1271. 39:36gövdelerini kopyalıyorum. Burada
1272. 39:37kafamızda kalem kağıt üzerinde hayali
1273. 39:39bir çalışma sayfası oluşturalım. Bu
1274. 39:41sayfada ekranda gördüğünüz gibi bir
1275. 39:42çalışma sayfası çizdim. Şimdi bunu
1276. 39:44kodlarla ekrana uygulayalım. Bizim
1277. 39:45ekranımızda içi boş kutular olacak. Onu
1278. 39:47çizmek için yardımcı bir fonksiyon
1279. 39:49yazdım. Bunu kopyalıyorum. Butonlar için
1280. 39:51içi dolu kutular olacak. Bunun için
1281. 39:52yardımcı fonksiyonu kopyalıyorum. Ekrana
1282. 39:54çizdiğimiz rakamın yapay zekaya
1283. 39:56gönderilen 28 x 28 piksel haline ekrana
1284. 39:59çizen fonksiyonu kopyalıyorum. Devamında
1285. 40:00ekranı bölümlere ayıran, butonları
1286. 40:02ekleyen ana arayüz fonksiyonunu
1287. 40:04kopyalıyorum. Burada sırasıyla ekranı
1288. 40:06ikiye bölen çizgi, üst bölümde rakamı
1289. 40:08yazacağımız bölüm ve tahmin işlemi
1290. 40:09başlasın komutunu göndereceğimiz AI
1291. 40:11butonu, alt bölümde 28 x 28 piksele
1292. 40:14çevrilmiş rakamın yazılacağı kısım ve
1293. 40:16yanında AI tahmin sonucunun yazacağı
1294. 40:18kısım. En altta da sayfayı yenileyecek
1295. 40:20yenile butonu olacak. Fonksiyonları
1296. 40:22kopyalamaya devam ediyorum. Çizdiğimiz
1297. 40:23rakamı yapay zekanın daha doğru tahmin
1298. 40:26etmesi için merkezleyen fonksiyon.
1299. 40:29Devamında tahmin edilen sonucu ekranda
1300. 40:31belirlediğimiz bölgeye yazan fonksiyon.
1301. 40:33Alt tarafında da tahmin edilen sonucun
1302. 40:35doğruluk oranını yazdıran fonksiyon.
1303. 40:36Devamında TFT ekranı başlatan, ardından
1304. 40:39ekranın taslağını çizen init [müzik]
1305. 40:40fonksiyonunu ekliyoruz. Devamında ekrana
1306. 40:43rakamı çizerken dokunduğumuz noktayı
1307. 40:45algılayıp ekranın o noktasının pikselini
1308. 40:47değiştirecek fonksiyonu ekliyoruz. Bizim
1309. 40:49ekleyeceğimiz fonksiyonlar bu kadardı.
1310. 40:50Şimdi halihazırda var olan
1311. 40:52fonksiyonların içerisine eklemeler ve
1312. 40:54değişiklikler yapacağız. Aşağıya doğru
1313. 40:56indiğimizde AI run fonksiyonu var. Bunun
1314. 40:58sonunda 5 saniye gecikme koymuşlar.
1315. 41:00Akışı yavaşlattığı için bunu
1316. 41:01kapatıyorum. Hemen altında AI kısmını
1317. 41:03girdi fonksiyonu var. Bu kısmın
1318. 41:05içerisine elimizdeki rakam matris
1319. 41:06tablosunu vereceğiz. Bunu direkt
1320. 41:08kopyalayıp değiştiriyorum. Hemen
1321. 41:10altındaki de çıktı fonksiyonu. Buradan
1322. 41:11da yapay zekadan gelen çıktıyı alacağız.
1323. 41:13Yapay zeka modelinin en yüksek [müzik]
1324. 41:15skora sahip çıktısını bulup alıyor ve
1325. 41:17TFT ekrana yazdırıyoruz. Bu fonksiyonu
1326. 41:19da kopyalayıp değiştiriyorum. Kodda
1327. 41:21aşağıya doğru devam ettiğimizde main
1328. 41:23loop fonksiyonu var. Bunu da kendi
1329. 41:24kullanacağımız senaryoya göre
1330. 41:25değiştiriyorum. Önce bizim rakam yazma
1331. 41:27fonksiyonumuz çalışıyor. Sonra AI
1332. 41:29butonuna basarsam yapay zeka kısmı işin
1333. 41:31içine giriyor ve çizdiğimiz rakamı
1334. 41:32tahmin ediyor. Aşağıya doğru devam
1335. 41:34ettiğimde yapay zeka kodlarının init
1336. 41:36[müzik] fonksiyonu var. Bunu zaten
1337. 41:37çağıracağız. Onun için kendi TFT ekran
1338. 41:39init fonksiyonumu da bunun içine
1339. 41:41ekliyorum. Bu sayfada işimiz bitti.
1340. 41:43Şimdi fonksiyon prototiplerimizi eklemek
1341. 41:45için [müzik] appxai.h
1342. 41:47sayfasına geçip fonksiyonun
1343. 41:49prototiplerini kopyalıyorum. Bu
1344. 41:50sayfadaki işimiz de bu kadardı. Şimdi
1345. 41:52ana sayfa olan main.c [müzik] sayfasına
1346. 41:54geçelim. Burada yapay zeka kütüphanemiz
1347. 41:56olan appxai.h
1348. 41:58kütüphanesini ekleyelim. Sonra int main
1349. 42:00içerisinde while döngüsüne girmeden önce
1350. 42:02[müzik] AI init fonksiyonumuzu
1351. 42:04çağırıyoruz. While içerisine de STM32
1352. 42:07Cube AI Studio AI [müzik] process
1353. 42:08fonksiyonumuzu kopyalıyorum. Şimdi
1354. 42:10kodumuzu bu haliyle derlediğimizde hata
1355. 42:12verecek. UART'ın tanımlanması ile ilgili
1356. 42:14olarak AI kütüphanesi [müzik] ile main.c
1357. 42:16içerisindeki tanım çakışıyor. Bunu
1358. 42:18düzeltmemiz gerekecek. Bu da middlewares
1359. 42:20klasörünün altındaki SD klasörünün
1360. 42:22altındaki AI klasörünün altındaki misc
1361. 42:24[müzik] klasörünün altındaki inch
1362. 42:26klasörünün içinde AI device adapter.h
1363. 42:29sayfası var. Onu açalım. Aşağıya doğru
1364. 42:31indiğimizde 655. [müzik]
1365. 42:32satırda extern ile tanımlanmış satırı
1366. 42:34yoruma alıp bizimki ile uyumlu olacak
1367. 42:36şekilde yeniden tanımlıyorum. Bu
1368. 42:37değişikliği de [müzik] yaptıktan sonra
1369. 42:39artık derleyebiliriz. Ve gördüğünüz gibi
1370. 42:42hata kalmadı. Şimdi kodumuzu karta
1371. 42:43yükleyebiliriz. [müzik]
1372. 42:46Kodumuz başarıyla yüklendi. Şimdi şov
1373. 42:48zamanı. Ekranımız açılıyor. Kod kısmında
1374. 42:50oluşturduğumuz ana şablon karşımıza
1375. 42:51geldi. Şimdi rakamları yazalım. 9
1376. 42:54yazdım. Mavi AI butonuna basıyorum ve
1377. 42:56%96 güven skoruyla doğru tahmin etti.
1378. 42:59Kırmızı clear butonuna basınca ekranı
1379. 43:01yeniliyor ve yeni rakam giriyorum. Şimdi
1380. 43:02rakamları karışık şekilde yazıyorum.
1381. 43:074 rakamını farklılık olsun dijital saat
1382. 43:09[müzik] şeklinde çiziyorum. Onu da doğru
1383. 43:10tahmin etti.
1384. 43:16Rakamları rastgele ve farklı stillerde
1385. 43:18yazmama rağmen model hepsini doğru
1386. 43:19bildi. Uygulama testimizi de başarılı
1387. 43:22tamamlamış olduk. Evet arkadaşlar
1388. 43:24böylece bir yapay zeka uygulamasının
1389. 43:25sonuna gelmiş olduk. Bu uygulama
1390. 43:27hakkındaki düşüncelerinizi gerçekten
1391. 43:29merak ediyorum. Eksik veya fazla
1392. 43:30olduğunu düşündüğünüz bir kısım ya da
1393. 43:32eklemek istediğiniz bir fikir [müzik]
1394. 43:33varsa yorum kısmında mutlaka yazın.
1395. 43:35Hepinize iyi çalışmalar dilerim.
1396. 43:41>> [müzik]