Online Learning

L'apprentissage en ligne est une approche d'apprentissage automatique dans laquelle un modèle se met à jour progressivement à mesure que de nouveaux exemples arrivent, plutôt que de s'entraîner une seule fois sur un jeu de données fixe. Ce terme désigne des mises à jour de modèle en continu ou séquentielles, et non une éducation basée sur Internet. Un système d'apprentissage en ligne peut prédire, recevoir des retours et se mettre à jour après chaque échantillon ou petit lot, comme décrit par la définition de l'apprentissage en ligne de scikit-learn. Cela le rend utile lorsque les données sont continues, trop volumineuses pour la mémoire ou qu'elles changent avec le temps. (scikit-learn.org)

Link to this sectionComment fonctionne l'apprentissage en ligne#

Un cycle typique est :

1. Le modèle reçoit une nouvelle entrée et effectue une prédiction.
2. Une étiquette ou un signal de retour devient disponible.
3. La perte est calculée et les paramètres du modèle sont mis à jour.
4. La performance est mesurée avant le traitement de l'exemple suivant.

Des bibliothèques telles que River for streaming machine learning implémentent ce flux de travail « prédire puis apprendre » avec des méthodes comme predict_one() et learn_one(). Les réseaux de neurones peuvent utiliser le même principe via des étapes d'optimiseur PyTorch répétées, bien que les modèles profonds se mettent généralement à jour sur de petits lots pour des raisons d'efficacité computationnelle. (docs.pytorch.org)

L'apprentissage en ligne est particulièrement précieux en cas de dérive de concept, où la relation entre les entrées et les sorties change. Les exemples incluent les modèles de trafic saisonniers, l'évolution du comportement des clients, les nouveaux défauts de fabrication ou les caméras installées sous des conditions d'éclairage différentes. Une étude sur la dérive de concept récurrente de 2024 souligne que les conditions récurrentes, comme la météo et l'heure de la journée, exigent que les systèmes reconnaissent et s'adaptent aux distributions précédemment rencontrées. (ijcai.org)

Link to this sectionApprentissage en ligne en vision par ordinateur#

Ultralytics YOLO n'effectue pas de mises à jour de poids incontrôlées par image pendant l'inférence. Au lieu de cela, les équipes peuvent approximer un apprentissage en ligne sécurisé via un fine-tuning par micro-lots périodique sur des données étiquetées récentes mélangées à des exemples plus anciens :

from ultralytics import YOLO

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

Cet exemple exécutable utilise Ultralytics YOLO26 et le mode d'entraînement YOLO documenté pour effectuer une mise à jour mineure avec un faible taux d'apprentissage. En production, coco8.yaml serait remplacé par un jeu de données versionné contenant des échantillons récents et rejoués.

Les applications concrètes incluent :

• Inspection visuelle en fabrication : Les modèles sont mis à jour lorsque de nouveaux produits, matériaux ou types de défauts apparaissent.
• Perception pour véhicule autonome : Les systèmes de détection s'adaptent aux changements de routes, de météo, de conditions de caméra et de distributions d'objets.
• Gestion des stocks en vente au détail : Les modèles apprennent les nouveaux emballages et produits saisonniers sans nécessiter de réentraînement complet.

Link to this sectionConcepts connexes et différences clés#

L'apprentissage continu est plus large : il vise à apprendre à travers des tâches ou des domaines tout en conservant les connaissances antérieures. L'apprentissage en ligne décrit quand et à quelle fréquence les mises à jour ont lieu. L'apprentissage actif sélectionne plutôt les exemples les plus informatifs pour un étiquetage humain, tandis que l'apprentissage par transfert adapte des connaissances pré-entraînées à une tâche cible.

Un défi majeur partagé est l'oubli catastrophique. Les recherches récentes incluent l'adaptation continue en temps de test BECoTTA de 2024, la Minimisation de l'Entropie Classée de 2025, et la méthode de stabilité-plasticité PLASTIC de 2026, qui explorent une adaptation efficace sans effondrement du modèle ni perte des capacités antérieures. (proceedings.mlr.press)

Link to this sectionMeilleures pratiques actuelles#

• Surveiller la dérive des données : Suis les distributions d'entrée, la confiance, la précision et la fréquence des classes.
• Préserver les données de rejeu : Mélange des échantillons historiques représentatifs avec de nouvelles données pour réduire l'oubli.
• Valider avant le déploiement : Compare les modèles mis à jour par rapport à des jeux de tests stables et des jeux de données récents.
• Versionner le flux de travail complet : Utilise Ultralytics Platform pour gérer l'annotation, les jeux de données, l'entraînement, le déploiement et la surveillance.
• Détecter la dérive non étiquetée : Lorsque les étiquettes arrivent tardivement, surveille les distributions de caractéristiques et le comportement de prédiction plutôt que d'attendre les mesures de précision. (dfki.de)