Amazon MLS-C01: Derin Öğrenme ve Bilgisayarlı Görü — Çalışma kılavuzu

By Laurynas Brazys · 26 July 2026 · #amazon #mls-c01 #certification #exam-prep #study-guide

Şunun bir parçası: AWS Machine Learning Specialty MLS-C01 — Çalışma kılavuzu. Doğrulanmış cevaplarla şurada pratik yapın: Amazon sınav merkezi, veya şurada süreli deneme sınavları çözün: ExamRoll.io.

Mimariler, transfer öğrenmesi ve model seçimi

ResNet ve Inception ailesi gibi evrişimli omurgalar, görüntü işleme için temel yapı taşları olmaya devam etmektedir: ResNet (50/101), derin özellik hiyerarşileri için kararlı bir artık öğrenme (residual learning) sunarken, Inception modülleri çeşitli nesne boyutlarına yardımcı olan çok ölçekli özellik birleştirme (multi-scale feature aggregation) sağlar. Modern ödünleşimler için EfficientNet ve MobileNet, FLOPs-doğruluk oranını önceliklendirir, bu da onları mobil/uç (edge) cihazlar için güçlü seçenekler haline getirir. AWS’deki uygulamalarda, önceden eğitilmiş ImageNet ağırlıklarından (TorchVision, TensorFlow Hub veya SageMaker eğitim konteynerleri aracılığıyla mevcuttur) başlayın ve sınıflandırma başlığını değiştirerek transfer öğrenmesi uygulayın; omurga katmanları için çok daha düşük bir öğrenme oranı ve yeni başlatılan başlıklar için daha yüksek bir oran kullanın. Küçük veri setleri için ilk katmanları dondurun ve katastrofik unutmayı önlemek için aşamalı olarak katmanları serbest bırakın. Karar kriterleri: büyük veri setleri ve gecikmeye toleranslı uç noktalar (ml.p3 veya ml.p4 örnekleri) için daha ağır omurgaları (ResNet101, Inception-ResNet) ve kısıtlı cihazlara SageMaker Neo veya AWS IoT Greengrass aracılığıyla dağıtım yaparken hafif omurgaları (MobileNetV3, EfficientNet-lite) seçin. Yaygın bir tuzak, sıfırdan eğitim için kullanılan aynı yüksek öğrenme oranıyla ince ayar yapmaktır; bunun yerine, ayrımcı öğrenme oranları (discriminative learning rates) benimseyin, ağırlık düşüşü (weight decay) kullanın ve aşırı öğrenme (overfitting) sinyalleri için özellik uzayı katman aktivasyonlarını ve doğrulama kaybını (validation loss) izleyerek aktarılabilirliği doğrulayın.

Eğitim pratikleri, veri artırma ve veri seti/etiketleme hususları

Yüksek kaliteli etiketlenmiş veriler, güvenilir görüntü işleme modellerinin temelidir. Sınırlayıcı kutular, çokgenler veya semantik maskeler ile etiketleme iş akışları oluşturmak için Amazon SageMaker Ground Truth kullanın ve veri erişim kontrollerini karşılamak için özel iş güçleri, IAM kısıtlamaları ve S3 KMS şifrelemesini zorunlu kılın. Etiket gürültüsünü konsensüs ve gözden geçirme turlarıyla azaltın ve belirsiz veya nadir örnekleri önceliklendirmek için aktif öğrenme kullanın. Küçük veya dengesiz veri setleri için göreve uygun agresif veri artırma (augmentation) yöntemleri kullanın: fotometrik dönüşümler, rastgele kırpmalar, döndürmeler, cutout, nesne tespiti için mixup veya mosaic augmentations; ciddi sınıf dengesizliğini ele almak için sınıfa göre dengelenmiş örnekleme, focal loss veya sınıfa göre ağırlıklandırılmış çapraz entropi (cross-entropy) kullanın. Veri sızıntısını önlemek için veriyi bölün: kullanıcı veya mağaza düzeyindeki bağımlılıklar için, basit rastgele bölmeler yerine gruplandırılmış veya zamana dayalı bölmeler yapın; sık karşılaşılan bir tuzak, gelecekteki zaman damgalarının veya aynı nesnenin birden çok görüntüsünün train/val/test setleri arasında sızmasıdır. Tıbbi veya düzenlemeye tabi veriler için, SageMaker Eğitim işlerinde ağ izolasyonunu etkinleştirin, S3’ü KMS ile şifreleyin, VPC uç noktaları aracılığıyla not defteri erişimini kısıtlayın ve Secrets Manager kullanarak kimlik bilgilerini döndürün. Veri artırma, öğrenme oranları ve düzenlileştirme (regularization) seçimlerini ilişkilendirmek için deneyleri ve metrikleri SageMaker Experiments ile takip edin.

Nesne tespiti ve segmentasyon: mimariler, metrikler ve tuzaklar

Nesne tespiti seçenekleri arasında, gerçek zamanlı iş hacmi (throughput) için YOLO ve RetinaNet gibi tek aşamalı dedektörler ve daha yüksek doğruluk ve küçük nesne yerelleştirmesi için Faster R-CNN gibi iki aşamalı dedektörler bulunur. Çok ölçekli tespiti iyileştirmek için Feature Pyramid Networks (FPN) ekleyin; örnek (instance) ve semantik segmentasyon görevleri için Mask R-CNN veya DeepLabv3+ kullanın. Anchor’lar, IoU eşikleri ve Non-Max Suppression (NMS) sonuçları büyük ölçüde etkiler: anchor boyutlarını/en-boy oranlarını veri setindeki nesne ölçeklerine göre ayarlayın ve pozitif/negatif atama için uygun IoU’yu seçin. Değerlendirme, IoU seviyeleri (AP50, AP75) genelinde mAP ve sınıf başına recall/precision eğrilerini kullanmalıdır—sadece doğruluğa (accuracy) güvenmek, yerelleştirme hatalarını gizler. AWS iş akışlarında, özel mimariler için PyTorch/TensorFlow konteynerleriyle SageMaker eğitimini kullanın, veri setlerini Ground Truth için bildirim (manifest) dosyalarıyla S3’te saklayın ve SageMaker Processing işleriyle doğrulayın. Yaygın tuzaklar, çıkarım (inference) için aşırı büyük girdi boyutları kullanmak (gecikmeyi artırır) veya nesne sayılarındaki sınıf dengesizliğini göz ardı etmektir; sınıfa özgü veri artırma uygulayarak, ağırlıklı kayıplar (weighted losses) kullanarak veya genel bir dedektörün ardından sınıfa özgü iyileştiricilerin (refiners) geldiği iki aşamalı eğitimle optimize edin. Üretim için, modelleri ONNX veya TorchScript’e dışa aktarın ve operatör uyuşmazlığını önlemek için dışa aktarılan çıktıları eğitim çıktılarıyla karşılaştırarak doğrulayın.

GPU ve uç (edge) için çıkarım optimizasyonu, dağıtımı ve izlenmesi

Çıkarım optimizasyonu, yalnızca GPU hesaplamasını değil, tüm işlem hattını (pipeline) profillemeyi gerektirir. Düşük GPU kullanımı genellikle CPU’ya bağlı ön işleme, küçük yığın boyutları (batch size), senkron uç nokta (endpoint) gecikmesi veya G/Ç (I/O) beklemelerinden kaynaklanır. Darboğazları belirlemek için SageMaker Debugger ve CloudWatch metrikleriyle profil oluşturun, ardından çözümleri uygulayın: yığın boyutunu artırın veya asenkron çıkarım kullanın; modelleri TorchScript/ONNX’e dönüştürün ve NVIDIA destekli örneklerde (instance) TensorRT optimizasyonlarını etkinleştirin; p4/p3 örneklerinde karma hassasiyet (mixed precision - AMP/bfloat16) kullanın; hedef donanım için SageMaker Neo ile derleyin veya orta düzeyde verim (throughput) için CPU örneklerine kısmi hızlandırma eklemek üzere Elastic Inference dağıtın. Uç (edge) dağıtımı için, Neo tarafından derlenmiş modellerle SageMaker Edge Manager veya AWS IoT Greengrass kullanın, model boyutunu küçültmek için nicemleme (quantization) ve budama (pruning) uygulayın ve mümkün olan yerlerde cihaz üzerinde yığınlama (batching) çalıştırın. Soğuk başlatmaları (cold start) yönetmek için SageMaker çoklu model uç noktalarını (multi-model endpoints) veya sağlanan eşzamanlılığı (provisioned concurrency) yapılandırın ve GPU bellek kullanımı ile istek gecikmesine dayalı otomatik ölçeklendirme politikaları kullanın. Ayrıca, girdi kaymasını (input drift) tespit etmek için Model Monitor’ü ve kontrollü model tanıtımı (promotion) için SageMaker Model Registry’yi etkinleştirin; yaygın tuzaklar arasında Neo için desteklenmeyen işlemlerle (ops) modelleri derlemek veya özel S3 erişimi için IAM rollerini ve VPC uç noktalarını sağlamayı unutmak yer alır, bu da dağıtım hatalarına neden olur.

Pratik Problem: Kullanım Senaryosu

Senaryo: QuickServe Corp, şirket içi (on-prem) bir satış noktası (point-of-sale) sistemi işletmekte ve model eğitimi ile çıkarım için SageMaker kullanmaktadır; mağaza kameralarından alınan görüntüler, KMS şifrelemesi ile özel bir S3 bucket’ında saklanmaktadır. Kaslardaki kuyruk uzunluğunu tespit etmek ve gerçek zamanlı uyarılar için uç cihazlara hafif bir model dağıtmak üzere bir üretim işlem hattı (production pipeline) kurmak istiyorlar.

Zorluk: Veri güvenliğine (özel S3, KMS) uyan, kısıtlı uç donanımlarda çalışan ve yeni etiketlenmiş verilerle güvenli yeniden eğitime olanak tanıyan, doğru ve düşük gecikmeli bir kuyruk sayma modeli oluşturmak ve dağıtmak.

Önerilen Yaklaşım:

KMS ile şifrelenmiş S3’te saklanan, Ground Truth ile etiketlenmiş sınırlayıcı kutular (bounding box) üzerinde ince ayar yapılmış (fine-tuned) önceden eğitilmiş bir MobileNetV3 omurgası (backbone) kullanarak (SageMaker PyTorch container’ında) bir dedektör eğitin; veri sızıntısını (leakage) önlemek için mağazaya göre gruplandırılmış bölmeler (split) kullanın.
Kuyruklu ve kuyruksuz kareler arasındaki sınıf dengesizliğini yönetmek için veri artırma (augmentation) (rastgele kırpma, yatay çevirme, parlaklık titremesi) ve odak kaybı (focal loss) kullanın; AP50 ve sınıf başına geri çağırma (per-class recall) ile doğrulayın.
Modeli TorchScript/ONNX’e aktarın, uç cihazı hedefleyerek SageMaker Neo ile derleyin ve model imzalama (model signing) ve yalnızca gerekli S3 yapıtlarına (artifact) izin veren IAM rolü ile AWS IoT Greengrass veya SageMaker Edge Manager aracılığıyla dağıtın.
S3’e periyodik yığın (batch) yüklemeleriyle performansı izleyin, kayma tespiti (drift detection) için SageMaker Processing işleri çalıştırın ve S3’teki sürüm kontrollü veri setlerini ve uca kontrollü dağıtım (rollout) ile Model Registry’yi kullanarak SageMaker’da yeniden eğitin.

Gerekçe: Bu yaklaşım, gecikme ve boyut kısıtlamalarını karşılamak için verimli transfer öğrenimini ve cihaza özgü derlemeyi kullanır, KMS ve IAM aracılığıyla güvenliği zorunlu kılar ve veri sızıntısını önlerken doğruluğu korumak için izlenen bir yeniden eğitim döngüsü uygular.

← Modelleme — Gözetimli ve Gözetimsiz (Klasik ML) · Tüm alanlar · Doğal Dil İşleme ve Konuşma →

Bu soruları çözün → · ExamRoll.io’da süreli pratik →