اكتشف التعلم النشط، وهو طريقة فعالة من حيث التكلفة لتعلم الآلة تعزز الدقة بعدد أقل من التصنيفات. تعرف على كيف يغير تدريب الذكاء الاصطناعي!
Active Learning is a strategic approach in machine learning (ML) where the algorithm proactively selects the most informative data points for labeling, rather than passively accepting a pre-labeled dataset. In traditional supervised learning, models often require massive amounts of annotated data, which can be expensive and time-consuming to create. Active learning optimizes this process by identifying "uncertain" or "hard" examples—those near the decision boundary or where the model lacks confidence—and requesting human annotators to label only those specific instances. This iterative loop allows models to achieve high accuracy with significantly fewer labeled samples, making it highly efficient for projects with limited budgets or time constraints.
جوهر التعلم النشط هو حلقة تغذية مرتدة يشار إليها غالبًا باسم human-in-the-loop. بدلاً من التدريب مرة واحدة على مجموعة بيانات ثابتة، يتطور النموذج من خلال دورات من الاستعلام والتحديث.
التعلم النشط أمر لا غنى عنه في الصناعات التي تكثر فيها البيانات ولكن تتطلب عملية التصنيف معرفة متخصصة أو تكاليف باهظة.
يوضح المثال التالي منطق "أخذ العينات غير المؤكد" البسيط باستخدام Ultralytics . نقوم بتحميل نموذج، وتشغيل الاستدلال على الصور، ووضع علامة على تلك التي تكون درجة الثقة فيها أقل من حد معين للمراجعة اليدوية.
from ultralytics import YOLO
# Load the latest YOLO26 model
model = YOLO("yolo26n.pt")
# List of unlabeled image paths
unlabeled_images = ["https://ultralytics.com/images/bus.jpg", "https://ultralytics.com/images/zidane.jpg"]
# Run inference
results = model(unlabeled_images)
# Identify samples with low confidence for active learning
uncertain_threshold = 0.6
for result in results:
# Check if any detection confidence is below the threshold
if result.boxes.conf.numel() > 0 and result.boxes.conf.min() < uncertain_threshold:
print(f"Active Learning Query: {result.path} needs human labeling.")
من المهم التمييز بين التعلم النشط ونماذج التدريب المماثلة:
يتطلب تنفيذ التعلم النشط بشكل فعال وجود خط أنابيب قوي لعمليات التعلم الآلي (MLOps) . تحتاج إلى بنية أساسية لإدارة إصدارات البيانات، وتشغيل مهام إعادة التدريب، وتقديم واجهة التعليقات التوضيحية للبشر. تتيح الأدوات التي تتكامل مع Ultralytics للمستخدمين التنقل بسلاسة بين الاستدلال وتنظيم البيانات والتدريب. على سبيل المثال، يتيح استخدام نصوص التدريب المخصصة للمطورين إمكانية دمج مجموعات جديدة من بيانات التعلم النشط بسرعة في YOLO الخاصة بهم.
لمزيد من القراءة حول استراتيجيات أخذ العينات، غالبًا ما يشير الباحثون إلى الدراسات الاستقصائية الشاملة في أدبيات التعلم النشط. بالإضافة إلى ذلك، فإن فهم مقاييس تقييم النموذج أمر بالغ الأهمية للتحقق من أن حلقة التعلم النشط تعمل بالفعل على تحسين الأداء.
