Active Learning

التعلّم النشط هو نهج في التعلّم الآلي يختار فيه النموذج الأمثلة غير المصنفة التي ينبغي لشخص تصنيفها تالياً. فبدلاً من تصنيف عينة عشوائية من البيانات، يدرّب الفريق نموذجاً على مجموعة صغيرة مصنفة، ويستخدمه لتقييم مجموعة كبيرة من الأمثلة غير المصنفة، ويرسل الأمثلة الأكثر إفادة إلى القائمين بالتوسيم، ثم يعيد التدريب على المجموعة الموسّعة ويكرر العملية. ويُسمّى الشخص الذي يقدّم التسميات «المُجيب». والهدف هو بلوغ دقة مستهدفة بأقل عدد ممكن من التسميات، وهو أمر مهم عندما يتطلب التصنيف خبراء، مثل أطباء الأشعة الذين يقرؤون الصور، أو عندما تكون المجموعة أكبر بكثير من أن تُصنّف بالكامل، مثل الفيديو الذي يسجله أسطول المركبات ذاتية القيادة يومياً.

آلية عمل حلقة التعلّم النشط#

تستخدم مشروعات الرؤية الحاسوبية عادةً التعلّم النشط القائم على مجموعة البيانات، حيث تنتظر مجموعة ثابتة من الصور غير المصنفة تقييمها. وتتكون كل دورة من أربع خطوات:

1. التدريب: درّب نموذجاً، مثل نموذج اكتشاف الأجسام، على الأمثلة المصنفة التي جُمعت حتى الآن.
2. التقييم: شغّل النموذج على مجموعة البيانات غير المصنفة، وامنح كل مثال درجة لمدى إفادته.
3. الاستعلام: أرسل الدفعة الأعلى تقييماً إلى القائمين بالتوسيم من أجل تصنيف البيانات.
4. التحديث: أضف التسميات الجديدة إلى بيانات التدريب وأعد التدريب.

تنتهي الحلقة عند نفاد ميزانية التصنيف أو توقف تحسن الدقة على مجموعة تحقق ثابتة. وتُظهر مقارنة كل دورة بنموذج دُرّب على العدد نفسه من التسميات المختارة عشوائياً ما إذا كان الاختيار مفيداً.

استراتيجيات الاستعلام#

تحدد استراتيجية الاستعلام ما يُعدّ مفيداً:

• أخذ العينات القائم على عدم اليقين: ينتقي الأمثلة التي يكون النموذج أقل يقينًا بشأنها، ويُقاس ذلك بأدنى درجة من الثقة للفئة الأعلى احتمالًا، أو بأصغر فارق بين الفئتين الأعلى احتمالًا، أو بأعلى إنتروبيا لتوزيع الفئات المتوقَّع.
• الاستعلام بواسطة لجنة: يدرّب عدة نماذج ويختار الأمثلة التي تختلف عليها أكثر من غيرها. ويوفر إسقاط مونت كارلو طريقة منخفضة التكلفة لتشكيل لجنة من شبكة واحدة.
• أخذ العينات بحسب التنوع: يختار أمثلة تغطي فضاء التضمين، كيلا تمتلئ الدفعة بنماذج متطابقة تقريباً، مثل إطارات الفيديو المتتالية. ويصوغ نهج المجموعة الأساسية اختيار الدفعات بهذه الطريقة، بعدما تبيّن أن كثيراً من الأساليب الاستدلالية القائمة على عدم اليقين لم تكن فعالة مع CNN في إعداد الدفعات.
• الاستراتيجيات الهجينة: تجمع بين الإشارتين. ويختار BADGE الأمثلة التي تجمع بين عدم اليقين والتنوع في فضاء تضمين التدرج، من دون أوزان مضبوطة يدوياً.

تنتج الكواشف عدداً كبيراً من الصناديق لكل صورة، لذا يجب دمج درجات الصناديق في درجة واحدة لكل صورة، مثلاً بحساب متوسط الثقة لكل اكتشاف. ويرتّب البرنامج أدناه مجموعة صغيرة بحسب متوسط ثقة الاكتشاف باستخدام نموذج YOLO26 مدرّب مسبقاً، ويبدأ بالاستعلام عن الصورة الأقل ثقة:

from ultralytics import YOLO

# Model trained on the current labeled set
model = YOLO("yolo26n.pt")

# Unlabeled pool, usually thousands of images
pool = ["https://ultralytics.com/images/bus.jpg", "https://ultralytics.com/images/zidane.jpg"]
results = model(pool, conf=0.1)

# Least-confidence sampling: score each image by its mean detection confidence
scores = {}
for image, result in zip(pool, results):
    if len(result.boxes):
        scores[image] = result.boxes.conf.mean().item()

# Query the lowest-scoring images first, within a labeling budget of one image
query = sorted(scores, key=scores.get)[:1]
print(f"Label next: {query}")

تُبقي العتبة المنخفضة conf=0.1 الاكتشافات الضعيفة ضمن الدرجة، لأنها الصناديق التي لا يثق بها النموذج. ويكمل محرر التعليقات التوضيحية في منصة Ultralytics بقية الحلقة: إذ يحمّل وضع Smart نماذج YOLO المضبوطة بدقة الخاصة بك، بحيث يضع كل نموذج أُعيد تدريبه تسميات أولية للدفعة التالية المستعلم عنها ليصححها القائمون بالتوسيم.

مزالق عملية#

• البداية الباردة: لا يُعتمد على درجات عدم اليقين في نموذج مدرّب على بضع عشرات من الأمثلة، لذا تعتمد الجولات الأولى غالبًا على الاختيار العشوائي أو القائم على التنوع. ويمكن لـنماذج الرؤية واللغة أيضًا وضع تسميات أولية لدفعة أولى اعتمادًا على أسماء الفئات وحدها، وتقارن لوحة صدارة VLM مدى دقتها في التعليق على مجموعات بيانات كشف الأجسام الواقعية.
• الدفعات المتكررة: يميل اختيار الصور k الأكثر غموضاً كلٌّ على حدة إلى إرجاع مجموعات من صور متطابقة تقريباً، وهي المشكلة التي تعالجها استراتيجيات التنوع والاستراتيجيات الهجينة.
• تحيز أخذ العينات: تنحرف مجموعة البيانات المصنفة عن التوزيع الحقيقي للبيانات بسبب تمثيلها المفرط للحالات الصعبة؛ لذا تُسحب مجموعتا التحقق والاختبار عشوائياً من المجموعة الكاملة للحفاظ على نزاهة درجاتهما.
• القيم الشاذة: تبدو الصور التالفة أو الضبابية أو الخارجة عن نطاق المجال غير مؤكدة لكل نموذج، وقد تهدر ميزانية التصنيف ما لم تُرشّح.

التعلّم النشط والمصطلحات ذات الصلة#

• التعلّم شبه الخاضع للإشراف: يستخدم البيانات غير المصنفة أيضاً، لكن النموذج يعيّن تسميات زائفة لتنبؤاته الواثقة بدلاً من سؤال شخص عن تنبؤاته غير المؤكدة. وغالباً ما يُجمع بين النهجين.
• التعلّم المنهجي: يرتّب الأمثلة المصنفة مسبقاً من السهل إلى الصعب أثناء التدريب. أما التعلّم النشط فيحدد الأمثلة التي ستُصنّف من الأساس.
• التعدين عن السلبيات الصعبة: يختار الأمثلة السلبية المصنفة التي يخطئ النموذج فيها أكثر من غيرها، ويزيد التدريب عليها. وهو يعمل على التسميات الموجودة ولا يضيف تسميات جديدة.
• حلقة البيانات المتنامية: حلقة إنتاجية تكشف فيها النماذج المنشورة عن بيانات جديدة تحسّن النموذج التالي. ويُعد التعلّم النشط خطوة اختيار شائعة ضمن هذه الحلقة.