L'apprendimento attivo accelera lo sviluppo della visione artificiale

Addestrare un modello di visione artificiale è molto simile a insegnare a un bambino a riconoscere i colori. Per prima cosa, ti serve una raccolta di oggetti colorati. Poi guidi il bambino a identificare correttamente ogni colore, un compito spesso lungo e ripetitivo.

Proprio come un bambino ha bisogno di molti esempi per imparare, un modello di visione ha bisogno di un ampio insieme di dati etichettati per riconoscere schemi e oggetti nelle immagini. Tuttavia, etichettare grandi quantità di dati richiede molto tempo e impegno, oltre a risorse. Tecniche come l’apprendimento attivo possono semplificare questo processo.

L’apprendimento attivo è un processo graduale in cui si selezionano e si etichettano i dati più importanti da un ampio insieme di dati. Il modello apprende da questi dati etichettati, diventando più preciso ed efficace. Concentrarsi solo sui dati più preziosi riduce la quantità di etichette necessarie e accelera lo sviluppo del modello.

In questo articolo vedremo come l’apprendimento attivo aiuta ad addestrare i modelli, riduce i costi di etichettatura e migliora la precisione complessiva dei modelli.

Creare dataset di immagini non è facile#

I dataset sono alla base dei modelli di visione artificiale e di deep learning. Dataset diffusi come ImageNet offrono milioni di immagini con categorie di oggetti diverse. Tuttavia, creare e gestire grandi volumi di dataset di alta qualità comporta diverse difficoltà.

Per esempio, raccogliere ed etichettare i dati richiede tempo, risorse e annotatori qualificati, rendendo il processo impegnativo a seconda dell’applicazione specifica. Servono soluzioni innovative e più efficienti per soddisfare la domanda crescente di dataset di immagini, ed è proprio questo il problema che l’apprendimento attivo mira a risolvere.

L'apprendimento attivo affronta questo problema ottimizzando il processo di etichettatura dei dati. Selezionando strategicamente i dati più informativi da annotare, massimizza le prestazioni del modello riducendo al minimo il lavoro di etichettatura.

Che cos’è l’apprendimento attivo?#

L’apprendimento attivo è una tecnica iterativa di machine learning in cui il modello seleziona i dati più importanti da etichettare all’interno di un ampio insieme di dati non etichettati. I dati selezionati vengono etichettati manualmente e aggiunti al dataset di addestramento.

Il modello viene quindi riaddestrato sul dataset aggiornato e seleziona il gruppo successivo di dati da etichettare. Il processo si ripete e il modello migliora continuamente concentrandosi sui dati più informativi. Il ciclo continua finché il modello non raggiunge la precisione desiderata o non soddisfa i criteri di etichettatura stabiliti in precedenza.

Fig. 1. Panoramica dell’apprendimento attivo.

Capire come funziona l’apprendimento attivo#

Ti starai chiedendo come la tecnica dell'apprendimento attivo stabilisca quali dati richiedono un'etichettatura manuale e quali etichettare per primi. Per capire come funziona, pensala come la preparazione a un esame: ti concentri sugli argomenti che non conosci bene e ti assicuri anche di affrontare materie diverse, così da arrivare preparato.

Per la selezione iniziale dei dati, l'apprendimento attivo usa strategie come il campionamento basato sull'incertezza e quello basato sulla diversità. Il campionamento basato sull'incertezza assegna la priorità ai dati per i quali il modello è meno sicuro delle proprie previsioni, con l'obiettivo di migliorare la precisione nei casi difficili. Il campionamento basato sulla diversità seleziona dati che coprono un'ampia varietà di caratteristiche, così che il modello generalizzi bene a dati mai visti grazie all'esposizione a esempi eterogenei.

Fig. 2. Campionamento basato sull’incertezza (a sinistra) e campionamento basato sulla diversità (a destra).

Dopo la selezione iniziale dei dati, l’apprendimento attivo usa due approcci principali per l’etichettatura: il campionamento basato su pool e quello basato su flusso. Sono simili al modo in cui un insegnante aiuta uno studente a concentrarsi su ciò che conta di più.

Nel campionamento basato su pool, il modello esamina un ampio insieme di dati non etichettati e seleziona gli esempi più difficili o informativi da etichettare, proprio come uno studente che dà la priorità alle schede didattiche più difficili. Nel campionamento basato su flusso, il modello elabora i dati man mano che arrivano e decide se etichettarli o ignorarli, come uno studente che chiede aiuto solo quando è in difficoltà. In entrambi i casi, i dati etichettati vengono aggiunti al set di addestramento e il modello viene riaddestrato, migliorando progressivamente a ogni iterazione.

Applicazioni dell’apprendimento attivo#

L’apprendimento attivo svolge un ruolo chiave nelle applicazioni della visione artificiale, come l’imaging medico e la guida autonoma, migliorando la precisione dei modelli e semplificando il processo di etichettatura dei dati. Un esempio interessante sono i modelli di visione artificiale usati nelle auto a guida autonoma per rilevare pedoni o oggetti in condizioni di scarsa illuminazione o nebbia. L’apprendimento attivo può migliorare la precisione concentrandosi su scenari di guida diversi e complessi.

In particolare, l’apprendimento attivo può essere usato per individuare dati o fotogrammi incerti in questi scenari e selezionarli per l’etichettatura. Aggiungere questi esempi etichettati al dataset di addestramento aiuta il modello a riconoscere meglio pedoni e oggetti in ambienti difficili, per esempio in condizioni meteorologiche avverse o durante la guida notturna.

Per esempio, NVIDIA ha usato l’apprendimento attivo per migliorare il rilevamento dei pedoni di notte nei suoi modelli per la guida autonoma. Selezionando strategicamente i dati più informativi per l’addestramento, soprattutto negli scenari più difficili, le prestazioni del modello migliorano notevolmente.

Fig. 3. Rilevamento di un pedone con un ombrello tramite apprendimento attivo.

L’apprendimento attivo può ridurre i costi di etichettatura#

Un altro aspetto fondamentale dell'apprendimento attivo è la sua capacità di ridurre i costi di etichettatura. Lo fa concentrandosi solo sui dati più importanti, anziché richiedere annotazioni per l'intero set di dati. Questo approccio mirato fa risparmiare tempo, fatica e denaro. Concentrandosi su campioni incerti o diversi, l'apprendimento attivo riduce il numero di annotazioni necessarie mantenendo comunque elevata la precisione del modello.

Le ricerche dimostrano che l’apprendimento attivo può ridurre i costi di etichettatura del 40-60% senza compromettere le prestazioni. È particolarmente utile in settori come la sanità e il manifatturiero, dove l’etichettatura dei dati è costosa. Semplificando il processo di annotazione, l’apprendimento attivo aiuta le aziende a sviluppare modelli più rapidamente e a distribuirli con maggiore efficienza, mantenendo la precisione.

Vantaggi dell’apprendimento attivo#

Ecco alcuni degli altri principali vantaggi che può offrire l’apprendimento attivo:

• Gestione dello squilibrio tra classi: l’apprendimento attivo può aiutare a gestire lo squilibrio tra classi etichettando esempi appartenenti alle classi minoritarie. Il modello può funzionare meglio negli scenari rari, anche con pochi dati.
• Cicli di sviluppo più rapidi: etichettare meno dati accelera indirettamente lo sviluppo dei modelli di machine learning e visione artificiale, lasciando più tempo e risorse per ulteriori iterazioni e sperimentazioni.
• Adattabilità: può migliorare continuamente i dati di addestramento attraverso iterazioni su campioni incerti o casi limite, risultando adatto a dataset dinamici o in evoluzione.

Apprendimento attivo e AutoML possono collaborare#

L’apprendimento automatico automatizzato (AutoML) si concentra sull’automazione delle attività iterative e dispendiose in termini di tempo necessarie per creare e distribuire modelli di machine learning. Semplifica i flussi di lavoro del machine learning automatizzando attività come la selezione del modello e la valutazione delle prestazioni, così da ridurre il lavoro manuale.

Se integrato con l’apprendimento attivo, AutoML può accelerare e ottimizzare il ciclo di sviluppo del modello. Il componente di apprendimento attivo seleziona strategicamente i dati più informativi da etichettare, mentre AutoML perfeziona il modello automatizzando la scelta dell’architettura e dei parametri, oltre alla loro ottimizzazione.

Fig. 4. Flusso di lavoro AutoML.

Vediamo un esempio per capire come si combinano queste tecnologie.

Immagina di voler rilevare condizioni rare tramite imaging medico, un caso d’uso in cui i dataset etichettati sono limitati e costosi da ottenere. L’apprendimento attivo può individuare e selezionare dati incerti, come cambiamenti sottili nelle immagini radiografiche che il modello non riesce a classificare. Questi dati incerti possono quindi avere la priorità per l’annotazione manuale, così da migliorare la comprensione del modello.

Con i dati annotati, AutoML può ottimizzare il modello esplorando diverse architetture, iperparametri e tecniche di aumento dei dati. Questo processo iterativo accelera lo sviluppo di modelli di visione affidabili come Ultralytics YOLO11, che aiutano i professionisti sanitari a formulare diagnosi accurate.

Sfide dell’apprendimento attivo#

L’apprendimento attivo e le sue tecniche offrono numerosi vantaggi, ma ci sono alcuni aspetti da tenere presenti quando si implementano queste strategie:

• Scelta della strategia di interrogazione: l’apprendimento attivo comprende molte tecniche e la scelta del metodo migliore influisce in modo significativo sull’efficacia del modello. Una strategia inadeguata può ridurre le prestazioni del modello per un’applicazione specifica.
• Costi di riaddestramento: la natura iterativa dell’apprendimento attivo richiede risorse computazionali costose, soprattutto per i dataset di grandi dimensioni. Il modello viene riaddestrato dopo ogni ciclo di annotazione, aumentandone la complessità.
• Qualità del modello iniziale: l’efficacia dell’apprendimento attivo dipende dalla qualità del modello iniziale. Un modello iniziale con prestazioni scarse potrebbe non individuare correttamente i punti dati informativi, portando a richieste di annotazione non adeguate e a prestazioni complessive inferiori.

Il futuro dell’apprendimento attivo e di AutoML#

Grazie ai recenti progressi nell’AI e nella computer vision, l’apprendimento attivo è destinato ad affrontare sfide più complesse e a semplificare i flussi di lavoro del machine learning. La combinazione dell’apprendimento attivo con tecniche come l’apprendimento federato e l’apprendimento auto-supervisionato può migliorare ulteriormente l’efficienza e la scalabilità dei modelli di visione.

L'apprendimento federato consente di addestrare un modello su più dispositivi o server con un framework distribuito, senza che i dati debbano lasciare la loro posizione originale. In settori come la sanità, dove la privacy dei dati è importante, l'apprendimento federato permette di addestrare il modello direttamente sui dati locali sensibili, mantenendoli al sicuro. Invece di condividere i dati grezzi, si condividono solo gli aggiornamenti del modello o le informazioni ricavate, proteggendo così i dati privati e contribuendo comunque all'addestramento.

Nel frattempo, l’apprendimento auto-supervisionato aiuta a ridurre la necessità di dati etichettati preaddestrando i modelli su dati non etichettati. Questo processo crea solide fondamenta per il modello. L’apprendimento attivo può poi basarsi su queste fondamenta individuando e selezionando i punti dati più importanti da sottoporre all’annotazione umana, perfezionando ulteriormente il modello.

Dall’apprendimento attivo all’impatto concreto#

L’apprendimento attivo offre un modo pratico per affrontare sfide importanti nella computer vision, come l’elevato costo dell’annotazione dei dati e la necessità di modelli più accurati. Concentrandosi sull’etichettatura dei soli punti dati più preziosi, riduce il lavoro richiesto alle persone e migliora le prestazioni del modello.

In combinazione con tecnologie come AutoML, l'apprendimento attivo semplifica lo sviluppo dei modelli automatizzando le attività che richiedono molto tempo. Con il proseguire dei progressi, è destinato a diventare uno strumento essenziale per costruire sistemi di visione artificiale più intelligenti ed efficienti. Per scoprire quali strumenti supportano oggi questo ciclo, leggi il nostro confronto tra strumenti di etichettatura automatica e apprendimento attivo.

Esplora il nostro repository GitHub e unisciti alla nostra community per saperne di più sui modelli di AI e computer vision. Scopri altre applicazioni della computer vision nel settore manifatturiero e nell’assistenza sanitaria nelle nostre pagine dedicate alle soluzioni. Puoi anche consultare le nostre opzioni di licenza per iniziare oggi stesso il tuo percorso nell’AI per la visione.