LIME Demo - Görsel Sınıflandırma Açıklaması

Bu proje, LIME (Local Interpretable Model-agnostic Explanations) kullanarak ResNet50 derin öğrenme modelinin görsel sınıflandırma kararlarını açıklamak için oluşturulmuştur.

📋 Proje Açıklaması

LIME, karmaşık makine öğrenmesi modellerinin tahminlerini anlamak ve yorumlamak için kullanılan bir açıklama tekniğidir. Bu projede:

• ResNet50 önceden eğitilmiş model kullanarak görselleri sınıflandırır
• LIME algoritması ile her sınıflandırmanın nedenini görselleştirir
• Hangi görsel bölgelerinin tahmine katkı sağladığını (pozitif/negatif) renk haritasıyla gösterir
• GPU desteği ile hızlı işlem sağlar

📁 Proje Yapısı

LIME_DEMO/
├── lime_demo.py              # Ana uygulama (LIME açıklama motoru)
├── resize_images.py          # Görselleri 224x224 boyutuna dönüştüren script
├── gpu_info.py              # Sistem GPU/CPU bilgilerini gösteren script
├── requirements.txt          # Python bağımlılıkları
├── kaynak_gorseller/         # Orijinal görsellerin bulunduğu klasör
├── kaynak_gorseller_224x224/ # Yeniden boyutlandırılmış görseller (224x224)
└── lime_ciktilar/           # LIME sonuçlarının kaydedildiği klasör
    ├── [image_name]_lime_explanation.png
    ├── [image_name]_heatmap.png
    └── [image_name]_full_comparison.png

🛠️ Kurulum

1. Gerekli Paketleri Yükleyin

pip install -r requirements.txt

Bağımlılıklar:

• numpy - Sayısal hesaplamalar
• matplotlib - Görselleştirme
• scikit-image - Görsel işleme
• Pillow - Görsel yükleme/kaydetme
• tensorflow - Derin öğrenme (ResNet50 modeli)
• lime - Açıklama algoritması

2. GPU Desteği (Opsiyonel ancak Önerilen)

Hızlı işlem için NVIDIA GPU kullanabilirsiniz:

# TensorFlow GPU sürümünü kurun
pip install tensorflow-gpu

# CUDA 12.x ve cuDNN kurulumundan sonra

GPU durumunu kontrol etmek için:

python gpu_info.py

📸 Kullanım

Adım 1: Görselleri Hazırlamak

Orijinal görselleri kaynak_gorseller klasörüne yerleştirin, ardından yeniden boyutlandırın:

python resize_images.py

Bu script:

• Tüm görselleri 224x224 piksel boyutuna dönüştürür
• PNG dosyalarını RGB JPG formatına çevirir
• Görselleri rastgele sırada yeniden adlandırır
• Yeniden boyutlandırılmış görselleri kaynak_gorseller_224x224 klasörüne kaydeder

Adım 2: LIME Açıklamasını Çalıştırmak

python lime_demo.py

Bu script:

• ResNet50 modelini yükler
• Her görsel için sınıflandırma tahmini yapar
• LIME algoritmasını çalıştırarak açıklamalar oluşturur
• Sonuçları lime_ciktilar klasörüne kaydeder

⚙️ Konfigürasyon

lime_demo.py dosyasındaki ayarları değiştirebilirsiniz:

SOURCE_FOLDER = 'kaynak_gorseller_224x224'  # Girdi görselleri
OUTPUT_FOLDER = 'lime_ciktilar'             # Çıktı klasörü
NUM_SAMPLES = 1000                          # LIME pertürbasyon örnek sayısı
TOP_CLASSES = 5                             # En iyi N tahmini göster
EXPLANATION_CLASS_INDEX = None              # Açıklanacak sınıf (None = en iyi tahmin)

📊 Çıktı Dosyaları

Her görsel için üç dosya oluşturulur:

1. [image_name]_lime_explanation.png

   • LIME tarafından oluşturulan semented bölgeler
   • Her bölgenin tahmini etkileme katsayısı

2. [image_name]_heatmap.png

   • Yeşil: Sınıflandırmaya olumlu katkı
   • Kırmızı: Sınıflandırmaya olumsuz katkı
   • Koyu renk: Az etki, Açık renk: Çok etki

3. [image_name]_full_comparison.png

   • Orijinal görsel + LIME açıklaması + Heatmap yan yana
   • Model tahminleri ve güven seviyeleri

🔍 LIME Nasıl Çalışır?

1. Segmentasyon: Görsel bölgelere bölünür (superpixel)
2. Pertürbasyon: Bölgeler rastgele kapatılır (000 örnekle)
3. Tahmin: Her pertürbe edilmiş görsel için model tahmin yapar
4. Doğrusal Model: Bölge-tahmin ilişkisini açıklayan doğrusal model eğitilir
5. Görselleştirme: En etkili bölgeler renklendirilir

💻 Sistem Gereksinimleri

• Python: 3.7+
• Bellek: Minimum 4GB (GPU kullanıyorsanız 8GB+ önerilen)
• GPU: NVIDIA GPU (CUDA 12.x destekli, optional)
• İşletim Sistemi: Windows, Linux, macOS

🚀 Örnek Çalıştırma

# 1. Görselleri hazırla
python resize_images.py

# 2. GPU durumunu kontrol et
python gpu_info.py

# 3. LIME analizi çalıştır
python lime_demo.py

# 4. Sonuçları görüntüle
# lime_ciktilar/ klasöründeki PNG dosyalarını aç

⚡ Performans İpuçları

• GPU kullanın: CPU'dan 10-50x daha hızlı
• NUM_SAMPLES'ı azaltın: Daha hızlı işlem (daha az doğruluk)
• Batch işlem: Birden fazla görsel için döngüyü optimize edin

📝 Analiz Sonuçları Örnekleri

Örnek 1: Kedi (Tiger Cat)

Orijinal Görsel:

LIME Açıklaması:

---

Örnek 2: Ananas (Pineapple)

Orijinal Görsel:

LIME Açıklaması:

---

Örnek 3: Aslan (Lion)

Orijinal Görsel:

LIME Açıklaması:

---

📝 Terminal Çıkış Örneği

============================================================
GPU/CPU Durum Kontrolü
============================================================
✅ 1 adet GPU bulundu ve etkinleştirildi:
   - /physical_device:GPU:0

============================================================
Görsel Sınıflandırma ve LIME Açıklaması Başladı
============================================================

[1/25] Görsel işleniyor: image_001.jpg
  🔍 Model Tahminleri:
     1. Sınıf: dog (0.92)
     2. Sınıf: animal (0.05)
     3. Sınıf: mammal (0.02)
  📊 LIME açıklaması oluşturuluyor...
  💾 Kaydedildi: lime_ciktilar/image_001_full_comparison.png

🐛 Sorun Giderme

Problem: GPU bulunamadı

# Çözüm: CUDA ve cuDNN doğru şekilde yüklenmiş mi kontrol edin
python gpu_info.py

Problem: "Out of Memory" hatası

# Çözüm: NUM_SAMPLES'ı azaltın veya görselleri küçültün
NUM_SAMPLES = 500  # 1000'den 500'e

Problem: Modeli yüklerken hata

# Çözüm: TensorFlow'u yeniden kurun
pip install --upgrade tensorflow

📚 Kaynaklar

• LIME Paper - Ribeiro et al., 2016
• TensorFlow Belgeleri
• LIME GitHub

📄 Lisans

Bu proje eğitim ve araştırma amaçlı oluşturulmuştur.

---

Hazırlayan: LIME Demo Tarih: Aralık 2025