Akademik Veri Yönetim Sistemi
ISTANBUL INTERNATIONAL MODERN SCIENTIFIC RESEARCHES CONFERENCE-IX, İstanbul, Türkiye, 10 - 12 Nisan 2026, ss.387-393, (Tam Metin Bildiri)
Bu çalışma, mobil cihazlarda dağıtılabilir derin öğrenme modellerinin kapsamlı ve karşılaştırmalı bir analizini sunmayı amaçlamaktadır. Mobil yapay zekâ uygulamalarının hızla gelişmesi ve yaygınlaşmasıyla birlikte, donanım kaynakları sınırlı cihazlarda düşük gecikme süresi ve verimli kaynak kullanımı sağlarken yüksek doğruluk elde edebilen modellerin geliştirilmesi giderek daha kritik hâle gelmiştir. Bu bağlamda, el yazısı rakam tanıma görevleri için literatürde yaygın olarak kullanılan bir referans veri seti olan MNIST kullanılmıştır. Veri seti, 28×28 boyutunda gri tonlamalı görüntülerden oluşmakta olup, eğitim aşaması öncesinde tutarlılığı sağlamak ve model performansını artırmak amacıyla normalleştirilmiştir. Bu araştırma kapsamında, temel bir tam bağlantılı yapay sinir ağı, bir evrişimsel sinir ağı (CNN) ve mobil ortamlarda kullanılmak üzere özel olarak optimize edilmiş hafif bir derin öğrenme modeli olmak üzere üç farklı model mimarisi tasarlanmış ve değerlendirilmiştir. Tüm modeller aynı veri seti üzerinde benzer koşullar altında eğitilmiş ve ardından mobil ortamlarda çalıştırılabilmeleri için TensorFlow Lite formatına dönüştürülmüştür. Modellerin performansı; sınıflandırma doğruluğu,, model boyutu, çıkarım süresi, bellek tüketimi, ve işlemci yükü gibi çeşitli ölçütler temelinde değerlendirilmiştir. Deneysel bulgular, daha yüksek doğruluk sağlayan modellerin genellikle daha büyük model boyutuna ve daha yüksek hesaplama maliyetine sahip olduğunu göstermektedir. Buna karşılık, hafif modellerin daha düşük kaynak tüketimi ve daha hızlı çıkarım süreleri sunduğu, ancak doğruluktan sınırlı bir ödünleşim içerdiği gözlemlenmiştir. Bu bulgular, mobil uygulamalar için model seçiminde doğruluk ile verimlilik arasında uygun bir dengenin kurulmasının önemini vurgulamaktadır. Sonuç olarak, bu çalışma mobil cihazlara uygun derin öğrenme modellerinin seçimine yönelik sistematik ve karşılaştırmalı bir bakış açısı sunmakta ve TensorFlow Lite platformunun mobil yapay zekâ çözümlerinin geliştirilmesi ve uygulanmasında etkili ve pratik bir çerçeve sağladığını ortaya koymaktadır.
This study aims to provide a comprehensive comparative analysis of deep learning models deployable on mobile devices. With the rapid advancement and widespread adoption of mobile artificial intelligence applications, developing models that achieve high accuracy while maintaining low latency and efficient resource utilization on hardware-constrained devices has become increasingly critical. In this context, the MNIST dataset, a benchmark dataset widely used in the literature for handwritten digit recognition tasks, employed. The dataset consists of 28×28 grayscale images and was normalized prior to the training phase to ensure consistency and enhance model performance.
Within the scope of this research, this research designed and evaluated three distinct model architectures: a baseline fully connected artificial neural network, a convolutional neural network (CNN), and a lightweight deep learning model specifically optimized for mobile deployment. All models were trained on the same dataset under comparable conditions and subsequently converted into TensorFlow Lite format to enable execution in mobile environments. The performance of the models was assessed based on multiple criteria, including classification accuracy, model size, inference time, memory consumption, and processor load. The experimental results indicate that models achieving higher accuracy typically result in increased model size and computational cost. In contrast, lightweight models demonstrate significantly reduced resource consumption and faster inference times, albeit with a slight compromise in accuracy. These findings emphasize the importance of establishing an appropriate trade-off between accuracy and efficiency when selecting models for mobile applications. In conclusion, this study offers a systematic comparative perspective on deep learning model selection suitable for mobile devices and demonstrates that TensorFlow Lite provides an effective and practical framework for deploying mobile artificial intelligence solutions.