Gömülü sistemler için geliştirilen makine öğrenmesi çözümlerinde model boyutu, hız ve bellek kullanımı belirleyici faktörlerdir. SEFR, bu ihtiyaca cevap vermeyi hedefleyen, ikili sınıflandırma problemleri için oldukça hafif bir yaklaşım sunan bir yöntemdir. Düşük kaynak tüketimi ile yüksek doğruluk arasında dengeli bir sonuç üretebilmesi, onu mikrodenetleyici tabanlı uygulamalar için dikkat çekici hale getirir.
SEFR, Hamidreza Keshavarz, Mohammad Saniee Abadeh ve Reza Rawassizadeh tarafından geliştirilen ve ultra düşük güçlü cihazları hedefleyen doğrusal zamanlı bir ikili sınıflandırıcıdır. Yöntemin öne çıkan yönleri şunlardır:
- Eğitim aşamasında hızlı çalışır
- Tahmin aşamasında düşük işlem yüküne sahiptir
- Minimum bellek kullanımı hedefler
SEFR, gömülü makine öğrenmesi senaryoları düşünülerek tasarlandığı için mikrodenetleyicilere uyarlandığında ek ağır optimizasyon katmanlarına her zaman ihtiyaç duymaz. Temel fikir, pozitif ve negatif sınıfların özellik ortalamaları üzerinden ağırlıklar ve bias benzeri basit bir karar yapısı kurmaktır. Bu sadelik, yöntemin hem hızlı hem de uygulanabilir olmasını sağlar.
Nasıl Kullanılır
Yazarların GitHub deposunda hem C hem de Python uygulaması yer almaktadır. Bu sayede modeli masaüstünde test edip daha sonra gömülü tarafa aktarmak daha kolay hale gelir.
Aşağıda basit bir Python örneği yer alıyor.
Örnek sonuçlar:
| Veri kümesi | Özellik sayısı | Kesinlik |
|---|---|---|
| İris | 4 | 100% |
| Meme kanseri | 30 | %89 |
| Wine | 13 | %84 |
| Rakamlar | 64 | %99 |
Modelin özellik başına yalnızca tek ağırlıkla çalışabildiği düşünülürse, bu sonuçlar oldukça etkileyicidir. Özellikle bellek ve hesaplama kapasitesinin sınırlı olduğu sistemlerde, bu sadelik ciddi bir avantaj sağlar.
SEFR Hangi Durumlarda Avantajlıdır?
SEFR, karmaşık sinir ağları ya da büyük karar ağaçları yerine daha anlaşılır ve hafif bir model ihtiyacı olduğunda öne çıkar. Eğer problem ikili sınıflandırma yapısına uygunsa ve veri seti aşırı karmaşık değilse, SEFR ile hem eğitim hem de çıkarım tarafında oldukça hızlı sonuç almak mümkündür. Bu durum onu sensör tabanlı tespit uygulamaları, temel anomaly detection senaryoları ve enerji kısıtlı kenar cihazlar için özellikle uygun hale getirir.
Buna karşılık veri yapısı doğrusal ayrıştırmaya çok uzaksa veya çok sınıflı daha karmaşık karar yapıları gerekiyorsa, SEFR her zaman en iyi seçim olmayabilir. Yine de prototipleme aşamasında hızlı bir başlangıç noktası sunması ve mikromlgen gibi araçlarla kolayca gömülü ortama alınabilmesi büyük bir pratiktir.
Mikromlgen Entegrasyonu
Arduino çiziminizde:
Kodu derlemek için GitHub örneğini klonlamanız gerekir.
Yorum yapma özelliği, forum tarafından gelen istek sebebiyle kapatılmıştır. Lütfen tartışmalar ve sorularınız için topluluk forumumuza katılın.