Semi-Supervised Learning

Halbüberwachtes Lernen (SSL) ist ein strategisches Paradigma im maschinellen Lernen (ML), das als Brücke zwischen zwei traditionellen Trainingsmethoden fungiert. Während sich überwachtes Lernen vollständig auf vollständig annotierte Datensätze stützt und unüberwachtes Lernen versucht, Muster in Daten ohne jegliche Tags zu finden, arbeitet SSL durch die Kombination einer kleinen Menge beschrifteter Daten mit einem wesentlich größeren Pool an unbeschrifteten Daten. Dieser Ansatz ist besonders wertvoll in realen Computer Vision (CV)-Szenarien, in denen das Sammeln von Rohbildmaterial – wie Videoaufnahmen von Überwachungskameras oder Satelliten – relativ kostengünstig ist, der Prozess der Datenbeschriftung durch menschliche Experten jedoch teuer, langsam und arbeitsintensiv ist. Durch die effektive Nutzung der in den unbeschrifteten Beispielen verborgenen Struktur kann SSL die Modellgenauigkeit und Verallgemeinerung erheblich verbessern, ohne ein erschöpfendes Budget für Annotationen zu erfordern.

Link to this sectionKernmechanismen des halbüberwachten Lernens#

Das Hauptziel von SSL besteht darin, die Informationen aus dem kleinen Satz beschrifteter Beispiele auf den größeren unbeschrifteten Satz zu übertragen. Dies ermöglicht es dem neuronalen Netzwerk, Entscheidungsgrenzen zu erlernen, die durch Regionen mit geringer Datendichte verlaufen, was zu einer robusteren Klassifizierung oder Erkennung führt.

Zwei beliebte Techniken treiben die meisten halbüberwachten Workflows an:

• Pseudo-Labeling: Bei dieser Methode wird ein Modell zuerst mit den begrenzten beschrifteten Daten trainiert. Es wird dann verwendet, um Schlussfolgerungen (Inferenz) über die unbeschrifteten Daten zu ziehen. Vorhersagen, die einen bestimmten Konfidenz-Schwellenwert überschreiten, werden als "Pseudo-Labels" oder Ground Truth behandelt. Diese konfidenten Vorhersagen werden den Trainingsdaten hinzugefügt, und das Modell wird erneut trainiert, wodurch seine Leistung iterativ verbessert wird.
• Konsistenzregularisierung: Diese Technik beruht auf Datenerweiterung. Die Idee ist, dass ein Modell für ein Bild und eine leicht modifizierte (erweiterte) Version desselben Bildes ähnliche Vorhersagen ausgeben sollte. Durch die Minimierung des Unterschieds in den Vorhersagen zwischen dem Original und der erweiterten Version lernt das Modell, sich auf die Kernmerkmale des Objekts statt auf Rauschen zu konzentrieren, was seine Fähigkeit verbessert, Overfitting zu handhaben.

Link to this sectionPraktische Umsetzung mit YOLO#

Das folgende Python-Beispiel demonstriert einen einfachen Pseudo-Labeling-Workflow unter Verwendung des ultralytics-Pakets. Hier trainieren wir ein YOLO26-Modell auf einem kleinen Datensatz und verwenden es dann, um Labels für ein Verzeichnis unbeschrifteter Bilder zu generieren.

from ultralytics import YOLO

# Load the latest YOLO26 model
model = YOLO("yolo26n.pt")

# Train initially on a small available labeled dataset
model.train(data="coco8.yaml", epochs=10)

# Run inference on unlabeled data to generate pseudo-labels
# Setting save_txt=True saves the detections as text files for future training
results = model.predict(source="./unlabeled_images", save_txt=True, conf=0.85)

Link to this sectionPraxisanwendungen#

Halbüberwachtes Lernen transformiert Branchen, in denen Daten im Überfluss vorhanden, aber Expertenwissen knapp ist.

• Medizinische Bildgebung: Im Gesundheitswesen-KI ist das Erfassen von Scans (Röntgenaufnahmen, MRTs) Standardverfahren, aber jeden Pixel von einem staatlich geprüften Radiologen für die Tumorerkennung annotieren zu lassen, ist unerschwinglich teuer. SSL ermöglicht es Forschern, leistungsstarke Modelle nur mit einem Bruchteil der von Experten annotierten Fälle zu trainieren und Tausende archivierter Scans zu nutzen, um das Verständnis des Modells für biologische Strukturen zu verfeinern.
• Autonomes Fahren: Unternehmen für selbstfahrende Autos sammeln täglich Petabytes an Videodaten von Flottenfahrzeugen. Jeden Frame für Objekterkennung und semantische Segmentierung zu beschriften, ist unmöglich. Durch SSL kann das System von der überwiegenden Mehrheit der unbeschrifteten Fahrstunden lernen, um komplexe Straßenumgebungen, Wetterbedingungen und seltene Grenzfälle besser zu verstehen.

Link to this sectionUnterscheidung verwandter Konzepte#

Um KI-Lösungen effektiv bereitzustellen, ist es entscheidend zu verstehen, wie sich SSL von ähnlichen Strategien unterscheidet:

• vs. Aktives Lernen: Obwohl beide mit unbeschrifteten Daten arbeiten, unterscheidet sich ihr Ansatz bei der Beschriftung. SSL weist automatisch Labels basierend auf Modellvorhersagen zu. Im Gegensatz dazu identifiziert aktives Lernen die "verwirrendsten" oder unsichersten Datenpunkte und fordert explizit einen Human-in-the-Loop an, um diese zu beschriften, wodurch die Zeit des Menschen optimiert wird, anstatt ihn vollständig zu entfernen.
• vs. Transferlernen: Transferlernen beinhaltet die Verwendung eines Modells, das auf einem massiven externen Datensatz (wie ImageNet) vor-trainiert wurde, und dessen Feinabstimmung auf deine spezifische Aufgabe. SSL konzentriert sich jedoch darauf, den unbeschrifteten Teil deiner spezifischen Datensatzverteilung während des Trainingsprozesses selbst zu nutzen.
• vs. Selbstüberwachtes Lernen: Obwohl die Namen ähnlich sind, bezieht sich selbstüberwachtes Lernen oft auf "Pretext-Aufgaben" (wie das Lösen eines Puzzles aus Bildausschnitten), bei denen die Daten ihre eigenen Überwachungssignale ohne externe Labels generieren. SSL impliziert spezifisch die Verwendung eines kleineren Satzes verifizierter Labels, um den Prozess zu leiten.

Link to this sectionTools und Zukunftsausblick#

Da Deep Learning (DL)-Modelle an Größe zunehmen, wird die Effizienz der Datennutzung entscheidend. Moderne Frameworks wie PyTorch und TensorFlow bieten das Rechen-Backend für diese fortgeschrittenen Trainingsschleifen. Darüber hinaus vereinfachen Tools wie die Ultralytics Platform den Lebenszyklus des Datenmanagement. Durch die Nutzung von Funktionen wie Auto-Annotation können Teams halbüberwachte Workflows einfacher implementieren und Rohdaten schnell in produktionsreife Modellgewichte umwandeln. Diese Evolution im MLOps stellt sicher, dass die Eintrittsbarriere für die Erstellung hochpräziser Visionssysteme weiterhin sinkt.