6. INTERNATIONAL CAPPADOCIA SCIENTIFIC RESEARCH CONGRESS, Nevşehir, Türkiye, 10 - 12 Ağustos 2024, ss.1096-1105
Derin öğrenme algoritmaları, son yıllarda yapay zekâ ve makine öğrenimi alanlarında büyük
ilgi görmüştür. Bu algoritmalar, genellikle büyük veri kümeleri üzerinde karmaşık desenleri
tanımlamak ve çeşitli görevleri yerine getirmek amacıyla kullanılır. Özellikle görüntü tanıma
ve doğal dil işleme gibi uygulamalarda önemli başarılar elde edilmiştir. Derin öğrenme
temelli sistemler, sadece çevre faktörlerinin kontrollü olduğu ortamlarda değil, aynı zamanda
değişken çevre koşullarının bulunduğu birçok alanda da yaygın olarak kullanılmaktadır.
Bununla birlikte, derin öğrenme algoritmalarının performansı, çeşitli çevresel faktörlere bağlı
olarak önemli ölçüde değişkenlik gösterebilir. Bu çalışma, yaygın olarak kullanılan VGG16
ve GoogleNet derin öğrenme algoritmalarının değişken çevre koşullarındaki doğruluk
oranlarını incelemeyi amaçlamaktadır. Araştırmanın temel hedefi, bu algoritmaların farklı
koşullar altında nasıl performans gösterdiğini anlamaktır. İncelenen çevresel faktörler
arasında aydınlatma değişiklikleri, görüntü kalitesi, arka plan gürültüsü, çevresel bozulmalar,
veri seti boyutu, eğitim süresi, gürültü seviyesi ve veri setinin karmaşıklığı yer almaktadır. Bu
faktörler, derin öğrenme algoritmalarının doğruluk oranlarını etkileyerek performans
farklılıklarına neden olabilmektedir. Çalışmada, Oxford-IIIT Pet, ImageNet V2, CIFAR-10 ve
CIFAR-100 gibi zorlu veri setleri kullanılmıştır. Bu veri setleri, görüntü tanıma konusundaki
derin öğrenme algoritmalarının performansını değerlendirmek için yaygın olarak tercih edilen
ve çeşitli sınıfları içeren setlerdir. Ayrıca, farklı çevresel koşulların test edilmesi için de uygun
bir temel sağlamaktadırlar. Araştırma sonuçları, derin öğrenme algoritmalarının değişken
çevre faktörlerine karşı ne kadar hassas veya dirençli olduğunu ortaya koymuştur. Bu
bağlamda, veri seti boyutunun, eğitim süresinin ve gürültü seviyesinin algoritmaların
performansı üzerindeki etkileri vurgulanmıştır. Sonuçlar, bu faktörlerin algoritma tasarımı
sürecinde dikkate alınması gerektiğini göstermektedir. Çevresel faktörlere karşı dayanıklılığı
artırmak amacıyla, ağ yapılarında iyileştirmeler yapılmış ve veri ön işleme tekniklerinde
geliştirmeler uygulanmıştır.
Deep learning algorithms have garnered significant attention in recent years within the fields
of artificial intelligence and machine learning. These algorithms are typically used to
recognize complex patterns and perform various tasks on large datasets. Deep learning has
achieved remarkable success, particularly in applications such as image recognition and
natural language processing. In today's world, deep learning-based systems are not only employed in environments with
controlled conditions but are also widely used in many areas with variable environmental
factors. However, the performance of deep learning algorithms can vary significantly
depending on these factors. This study examines the accuracy rates of widely used deep
learning algorithms such as VGG16 and GoogleNet under varying environmental conditions.
The primary goal of the research is to understand how these algorithms perform under
different circumstances. Environmental factors considered in this study include changes in
lighting, image quality, background noise, environmental distortions, dataset size, training
duration, noise level, and dataset complexity. These factors influence the accuracy rates of
deep learning algorithms. The study utilized datasets such as Oxford-IIIT Pet, ImageNet V2,
CIFAR-10, and CIFAR-100, which are challenging datasets commonly used to evaluate the
performance of deep learning algorithms in image recognition tasks. These datasets contain
various classes and were deemed suitable for testing under different environmental
conditions. The research results revealed how sensitive or resilient deep learning algorithms
are to variable environmental factors. The study highlights that factors such as dataset size,
training duration, and noise level contribute to performance differences and emphasizes that
these differences should be considered in the design of algorithms. To enhance resilience to
environmental factors, improvements in network architectures and advancements in data
preprocessing techniques were implemented.