Online Learning

Online-Lernen ist ein Machine Learning-Ansatz, bei dem ein Modell schrittweise aktualisiert wird, wenn neue Beispiele eintreffen, anstatt es einmalig auf einem festen Datensatz zu trainieren. Der Begriff bezieht sich auf Streaming- oder sequentielle Modellaktualisierungen – nicht auf internetbasierte Bildung. Ein Online-Lerner kann nach jedem Beispiel oder kleinen Batch vorhersagen, Feedback erhalten und sich aktualisieren, wie in der scikit-learn Online-Lern-Definition beschrieben. Dies macht ihn nützlich, wenn Daten kontinuierlich anfallen, zu groß für den Arbeitsspeicher sind oder sich im Laufe der Zeit ändern. (scikit-learn.org)

Link to this sectionSo funktioniert Online-Lernen#

Ein typischer Zyklus sieht so aus:

1. Das Modell empfängt neue Eingaben und erstellt eine Vorhersage.
2. Ein Label oder Feedback-Signal wird verfügbar.
3. Der Verlust wird berechnet und die Modellparameter werden aktualisiert.
4. Die Leistung wird gemessen, bevor das nächste Beispiel verarbeitet wird.

Bibliotheken wie River für Streaming Machine Learning implementieren diesen Predict-then-Learn-Workflow mit Methoden wie predict_one() und learn_one(). Neuronale Netze können das gleiche Prinzip durch wiederholte PyTorch Optimizer-Schritte nutzen, obwohl tiefe Modelle zur rechnerischen Effizienz üblicherweise auf kleinen Batches aktualisieren. (docs.pytorch.org)

Online-Lernen ist besonders wertvoll bei Concept Drift, bei dem sich die Beziehung zwischen Eingaben und Ausgaben ändert. Beispiele sind saisonale Verkehrsmuster, sich änderndes Kundenverhalten, neue Fertigungsfehler oder Kameras, die unter unterschiedlichen Lichtverhältnissen installiert sind. Eine Studie zu wiederkehrendem Concept Drift aus dem Jahr 2024 hebt hervor, dass wiederkehrende Bedingungen wie Wetter und Tageszeit von Systemen verlangen, zuvor aufgetretene Verteilungen zu erkennen und sich an diese anzupassen. (ijcai.org)

Link to this sectionOnline-Lernen in der Computer Vision#

Ultralytics YOLO führt während der Inferenz keine unkontrollierten Frame-basierten Gewichtsaktualisierungen durch. Stattdessen können Teams sicheres Online-Lernen durch regelmäßiges Micro-Batch-Fine-Tuning auf kürzlich gelabelten Daten, gemischt mit älteren Beispielen, annähern:

from ultralytics import YOLO

model = YOLO("yolo26n.pt")
model.train(data="coco8.yaml", epochs=3, imgsz=640, lr0=0.001)

Dieses ausführbare Beispiel nutzt Ultralytics YOLO26 und den dokumentierten YOLO Train-Modus, um ein kleines Update mit niedriger Lernrate durchzuführen. In der Produktion würde coco8.yaml durch einen versionierten Datensatz ersetzt werden, der aktuelle und wiederholte Stichproben enthält.

Konkrete Anwendungen umfassen:

• Visuelle Inspektion in der Fertigung: Modelle werden aktualisiert, wenn neue Produkte, Materialien oder Fehlertypen auftreten.
• Wahrnehmung für autonome Fahrzeuge: Erkennungssysteme passen sich an sich ändernde Straßen, Wetterbedingungen, Kamerabedingungen und Objektverteilungen an.
• Einzelhandels-Bestandsverwaltung: Modelle lernen neue Verpackungen und saisonale Produkte, ohne dass eine vollständige Neuschulung erforderlich ist.

Link to this sectionVerwandte Konzepte und Hauptunterschiede#

Continual Learning ist breiter gefasst: Es zielt darauf ab, über Aufgaben oder Domänen hinweg zu lernen und dabei früheres Wissen beizubehalten. Online-Lernen beschreibt, wann und wie häufig Aktualisierungen stattfinden. Active Learning wählt hingegen die informativsten Beispiele für die menschliche Labeling-Arbeit aus, während Transfer Learning vortrainiertes Wissen auf eine Zielaufgabe anpasst.

Eine große gemeinsame Herausforderung ist katastrophales Vergessen. Aktuelle Forschungen beinhalten 2024s BECoTTA Continual Test-Time Adaptation, 2025s Ranked Entropy Minimization und 2026s PLASTIC Stabilitäts-Plastizitäts-Methode, die eine effiziente Anpassung ohne Modellkollaps oder Verlust früherer Fähigkeiten untersuchen. (proceedings.mlr.press)

Link to this sectionAktuelle Best Practices#

• Daten-Drift überwachen: Verfolge Eingabeverteilungen, Konfidenz, Genauigkeit und Klassenhäufigkeit.
• Replay-Daten bewahren: Mische repräsentative historische Stichproben mit neuen Daten, um Vergessen zu reduzieren.
• Vor der Bereitstellung validieren: Vergleiche aktualisierte Modelle mit stabilen Holdout-Sets und Test-Sets mit aktuellen Daten.
• Vollständigen Workflow versionieren: Nutze die Ultralytics Platform, um Annotation, Datensätze, Training, Bereitstellung und Überwachung zu verwalten.
• Unlabeled Drift erkennen: Wenn Labels verspätet eintreffen, überwache Merkmalsverteilungen und Vorhersageverhalten, anstatt auf Genauigkeitsmessungen zu warten. (dfki.de)