Esplorazione dell'apprendimento supervisionato vs non supervisionato nella computer vision

L'intelligenza artificiale (AI) si basa sul concetto fondamentale di insegnare alle macchine ad apprendere e ragionare in modi simili all'intelligenza umana. Proprio come le persone imparano attraverso metodi diversi, ad esempio mediante istruzioni dirette o osservando schemi ed esperienze, i sistemi di AI e machine learning sono progettati per seguire questi stessi approcci.

In particolare, per quanto riguarda gli algoritmi di machine learning, i sistemi vengono addestrati ad apprendere dai dati invece di essere programmati esplicitamente per ogni attività. Anziché basarsi su regole fisse, i modelli di machine learning identificano schemi nei dati e li utilizzano per fare previsioni o prendere decisioni.

Ad esempio, la computer vision è un ramo dell'AI e del machine learning che si concentra sulla capacità dei sistemi di interpretare e comprendere informazioni visive, come immagini e video. Dal riconoscimento degli oggetti all'identificazione di schemi nascosti in grandi dataset, questi sistemi dipendono fortemente dal modo in cui vengono addestrati ad apprendere.

Per addestrare questi sistemi si utilizzano diverse tecniche di apprendimento dell'AI, a seconda del tipo di dati disponibili e del problema da risolvere.

Alcuni modelli di computer vision apprendono da dati etichettati, in cui ogni input è associato a una risposta corretta; ciò significa che ogni immagine o punto dati include un'etichetta predefinita che indica al modello cosa rappresenta. Questo consente al modello di apprendere la relazione tra l'input e l'output atteso, migliorando la capacità di effettuare previsioni accurate su dati nuovi e non osservati.

Altri modelli di vision apprendono da dati non etichettati, in cui non vengono fornite risposte predefinite e l'attenzione si concentra invece sull'identificazione di schemi e relazioni all'interno dei dati stessi. Questi approcci sono noti rispettivamente come apprendimento supervisionato e apprendimento non supervisionato, e costituiscono la base di molti sistemi di computer vision all'avanguardia.

In questo articolo esploreremo l'apprendimento supervisionato e non supervisionato, il loro utilizzo nella computer vision e come scegliere l'approccio più adatto al tuo progetto di vision AI. Iniziamo!

Come gli approcci di apprendimento dell'AI potenziano la computer vision#

Puoi considerare l'intelligenza artificiale come un ombrello che comprende numerose tecnologie capaci di consentire alle macchine di svolgere attività che normalmente richiedono l'intelligenza umana. All'interno di questo ombrello, il machine learning è un'area fondamentale che permette ai sistemi di apprendere dai dati invece di basarsi soltanto su regole fisse.

Nel machine learning, diverse tecniche di apprendimento determinano il modo in cui un modello apprende e migliora nel tempo. Approcci come l'apprendimento supervisionato (apprendimento da dati etichettati con risposte corrette), l'apprendimento non supervisionato (identificazione di schemi nei dati non etichettati), l'apprendimento per rinforzo (apprendimento per tentativi ed errori usando feedback o ricompense) e l'apprendimento semi-supervisionato (combinazione di una piccola quantità di dati etichettati con una grande quantità di dati non etichettati) definiscono il modo in cui i sistemi elaborano i dati di input e generano i dati di output.

Fig. 1. Panoramica dei metodi di apprendimento dell'AI (Fonte)

In particolare, i sistemi di computer vision vengono realizzati utilizzando questi approcci di apprendimento per interpretare e comprendere i dati visivi. L'apprendimento supervisionato è il metodo più utilizzato, poiché consente ai modelli di apprendere da esempi chiaramente etichettati e di produrre risultati accurati e affidabili.

Ad esempio, un modello può essere addestrato su immagini etichettate come “gatto” e “cane”, apprendendo caratteristiche come forma, orecchie e struttura del viso, così da poter classificare correttamente nuove immagini utilizzando algoritmi di classificazione. Nel frattempo, anche l'apprendimento non supervisionato e semi-supervisionato viene utilizzato nella computer vision, spesso per esplorare gli schemi presenti nei dati o migliorare le prestazioni quando i dati etichettati sono limitati.

Uno sguardo all'utilizzo dei modelli di apprendimento supervisionato nella computer vision#

Puoi confrontare gli algoritmi di apprendimento supervisionato con una classe, in cui un insegnante fornisce esempi insieme alle risposte corrette, affinché gli studenti imparino cosa è giusto e cosa è sbagliato. Nel machine learning, i modelli apprendono in modo simile utilizzando dati etichettati, in cui ogni input è associato a un output noto.

Immagina di lavorare alla realizzazione di un sistema di computer vision che automatizza l'analisi delle partite di baseball. Potresti addestrare un modello come Ultralytics YOLO26 su immagini o fotogrammi video in cui oggetti come la palla, la mazza e i giocatori sono etichettati.

Ogni oggetto verrebbe contrassegnato con la propria posizione e categoria, consentendo al modello di imparare cosa cercare. Nel tempo, il modello può rilevare e localizzare questi oggetti in nuove riprese, supportando casi d'uso come il tracciamento della palla e il rilevamento dei giocatori tra i fotogrammi.

Fig. 2. Un esempio di rilevamento degli oggetti abilitato dall'apprendimento supervisionato (Fonte)

Oltre al rilevamento degli oggetti, l'apprendimento supervisionato è ampiamente utilizzato in numerose attività di computer vision, come la classificazione delle immagini, la segmentazione delle istanze e la stima della posa, dove accuratezza e coerenza sono importanti. In ciascuna di queste attività, i modelli apprendono da dati etichettati per identificare schemi specifici ed effettuare previsioni affidabili su nuovi input.

Questi modelli vengono generalmente realizzati utilizzando il deep learning, un tipo di machine learning che usa reti neurali per apprendere direttamente i pattern dai dati. Le reti neurali sono progettate per elaborare le informazioni in modo vagamente ispirato al funzionamento del cervello umano, consentendo ai modelli di apprendere caratteristiche visive complesse da grandi dataset.

I primi approcci alla computer vision si basavano spesso su caratteristiche progettate manualmente, combinate con algoritmi come le macchine a vettori di supporto (SVMs, modelli che classificano i dati trovando il confine migliore tra le categorie) o gli alberi decisionali (modelli che prendono decisioni suddividendo i dati in rami).

Al contrario, oggi i modelli di computer vision utilizzano il deep learning per apprendere automaticamente queste caratteristiche dai dati, diventando più efficaci nella gestione di attività visive su larga scala e altamente dettagliate.

Comprendere la necessità dei modelli di apprendimento non supervisionato nella vision AI#

Sebbene l'apprendimento supervisionato sia l'approccio preferito nella computer vision, esistono alcune applicazioni di vision in cui i dati etichettati non sono disponibili oppure sono troppo costosi e richiedono troppo tempo per essere creati.

In questi casi, gli algoritmi di apprendimento non supervisionato possono rappresentare un'alternativa utile. Immagina di avere una grande raccolta di foto non etichettate provenienti da una fototrappola per animali selvatici.

Non ci sono etichette che indicano cosa contiene ciascuna immagine, ma vuoi comunque organizzare o comprendere i dati. Un modello non supervisionato può analizzare queste immagini e raggruppare quelle simili, separando in cluster gli animali dall'aspetto simile, anche senza conoscerne le etichette esatte.

Come funziona l'apprendimento non supervisionato nella computer vision#

Quindi, come funziona il machine learning non supervisionato? Anziché apprendere da risposte corrette, il modello impara identificando autonomamente schemi e strutture all'interno dei dati. Cerca somiglianze e differenze tra i dati senza basarsi su esempi etichettati.

Un caso d'uso comune è il rilevamento delle anomalie, in cui il modello apprende l'aspetto dei dati normali e identifica poi tutto ciò che se ne discosta. Il rilevamento di anomalie e valori anomali è una delle applicazioni industriali più significative. Tra gli esempi figurano l'individuazione di prodotti difettosi su una linea di produzione, la segnalazione di scansioni mediche insolite per la valutazione da parte di un radiologo o il rilevamento di attività sospette nelle riprese di videosorveglianza. Poiché difetti e anomalie sono spesso rari e variabili, etichettare ogni caso possibile è poco pratico, rendendo gli approcci non supervisionati una scelta naturale.

A questo scopo, si utilizzano spesso tecniche come il clustering e la riduzione della dimensionalità, generalmente su caratteristiche estratte dalle immagini anziché sulle immagini grezze. I metodi di clustering, come il clustering k-means, raggruppano immagini simili in base a pattern condivisi, mentre le tecniche di riduzione della dimensionalità, come l'analisi delle componenti principali (PCA), semplificano i dati concentrandosi sulle caratteristiche più importanti.

Questo facilita l'identificazione di schemi e strutture significativi all'interno di dataset grandi e complessi. Il principale vantaggio dell'apprendimento non supervisionato è che funziona bene con dati non etichettati e può rivelare pattern non immediatamente evidenti. Tuttavia, è più difficile da valutare e offre un controllo minore sull'output finale rispetto all'apprendimento supervisionato.

Apprendimento auto-supervisionato e semi-supervisionato nella computer vision#

Esplorando l'apprendimento supervisionato e non supervisionato, potresti chiederti se esista una via di mezzo tra i due. È interessante notare che l'apprendimento auto-supervisionato e semi-supervisionato colma il divario tra apprendimento supervisionato e non supervisionato.

Questi approcci consentono ai modelli di apprendere in modo più efficace dai dati non etichettati. Invece di basarsi soltanto su esempi etichettati, creano i propri compiti di apprendimento a partire dai dati oppure combinano un piccolo dataset etichettato con uno più grande non etichettato.

Nell'apprendimento auto-supervisionato, il modello apprende risolvendo compiti creati dai dati stessi. Ad esempio, potrebbe ricevere un'immagine con una parte mancante e imparare a prevedere cosa dovrebbe riempire quello spazio, oppure imparare a riconoscere diverse visualizzazioni dello stesso oggetto. Questo aiuta il modello ad apprendere caratteristiche utili senza bisogno di etichette manuali.

D'altra parte, nell'apprendimento semi-supervisionato, una piccola quantità di dati etichettati viene utilizzata insieme a un insieme più ampio di dati non etichettati per migliorare le prestazioni. In alcuni casi, il modello può generare etichette per i dati non etichettati e usarle per continuare l'apprendimento.

Il principale vantaggio di questi approcci è che riducono la necessità di grandi dataset etichettati, spesso costosi e dispendiosi in termini di tempo da creare. Tuttavia, possono essere più complessi da progettare e valutare rispetto ai metodi completamente supervisionati.

Principali differenze tra apprendimento supervisionato e non supervisionato#

La differenza tra apprendimento supervisionato e non supervisionato dipende dal modo in cui un modello apprende e da ciò che cerca di ottenere. Mentre l'apprendimento supervisionato si basa su dati etichettati e indicazioni chiare per apprendere attività specifiche, quello non supervisionato opera senza risposte predefinite e si concentra sulla scoperta di schemi e strutture all'interno dei dati.

Ad esempio, in un sistema di monitoraggio del traffico, un modello di apprendimento supervisionato può essere addestrato su immagini etichettate per rilevare veicoli, pedoni o segnali stradali. Al contrario, un modello non supervisionato potrebbe analizzare grandi quantità di riprese video per raggruppare pattern di traffico simili o identificare eventi insoliti, come congestione imprevista o movimenti anomali, senza che gli venga detto esplicitamente cosa cercare.

Quando utilizzare l'apprendimento supervisionato nella computer vision#

L'apprendimento supervisionato è un'ottima opzione per le attività di computer vision in cui l'obiettivo è chiaramente definito e il modello deve associare i dati di input a output accurati. Funziona particolarmente bene quando disponi di un dataset etichettato affidabile e hai bisogno di risultati coerenti e prevedibili.

Fig. 3. Attività di computer vision basate sull'apprendimento supervisionato (Fonte)

Viene comunemente utilizzato per problemi in cui il modello deve distinguere tra categorie note o prevedere risultati specifici. Anziché esplorare gli schemi, l'attenzione è rivolta all'apprendimento di relazioni precise dai dati etichettati, rendendo più semplice guidare il modello verso il risultato desiderato.

Un altro vantaggio fondamentale è il controllo. Con l'apprendimento supervisionato è più facile misurare le prestazioni usando metriche chiare, ottimizzare il modello e garantire un comportamento stabile durante la messa in produzione. Questo lo rende perfetto per i sistemi che richiedono coerenza e affidabilità nel tempo.

Tuttavia, questo comporta un compromesso. Il modello dipende fortemente dalla qualità e dalle dimensioni dei dati etichettati, e la raccolta e l'annotazione di tali dati possono richiedere molto tempo.

Esempi reali di computer vision supervisionata#

I modelli di vision AI come i modelli Ultralytics YOLO utilizzano l'apprendimento supervisionato per svolgere attività come il rilevamento degli oggetti con elevata accuratezza, soprattutto nelle applicazioni in tempo reale. Ecco alcuni casi d'uso comuni della vision nel mondo reale in cui l'apprendimento supervisionato fa la differenza:

• Assistenza sanitaria e imaging medico: i medici possono utilizzare sistemi di computer vision addestrati su scansioni etichettate, come radiografie o risonanze magnetiche, in cui i classificatori identificano condizioni come tumori o fratture, favorendo diagnosi più rapide e accurate.
• Ispezione della qualità industriale: negli ambienti produttivi, i sistemi di vision addestrati su dati etichettati possono ispezionare i prodotti analizzando diverse caratteristiche legate alla qualità, come forma, difetti superficiali, trama e dimensioni. Imparando da esempi di prodotti conformi e difettosi, questi sistemi possono identificare costantemente i difetti e mantenere gli standard di produzione.
• Guida autonoma: i sistemi di guida autonoma si basano su modelli addestrati su dati di guida etichettati per riconoscere corsie, veicoli, pedoni e segnali stradali, aiutando i veicoli a muoversi in sicurezza in tempo reale.
• Vendita al dettaglio e sistemi di checkout: i negozi utilizzano modelli addestrati su immagini di prodotti etichettate per identificare gli articoli sugli scaffali o alla cassa, consentendo la fatturazione automatizzata e una gestione più efficiente dell'inventario. Questi sistemi possono inoltre supportare attività come la segmentazione dei clienti quando vengono combinati con dati aggiuntivi, aiutando le aziende a comprendere meglio i comportamenti d'acquisto.
• Agricoltura e monitoraggio delle colture: gli agricoltori possono utilizzare modelli addestrati su immagini etichettate per rilevare e classificare le colture, ad esempio identificando e contando patate sane e danneggiate, migliorando il controllo qualità e riducendo le perdite.

Fig. 4. Utilizzo di YOLO per rilevare e contare patate sane e difettose

Quali tipi di problemi nella computer vision può risolvere l'apprendimento non supervisionato#

L'apprendimento non supervisionato è utile quando non disponi di dati etichettati sufficienti o quando i tuoi dati non includono risposte chiare. In queste situazioni, l'obiettivo non è fare previsioni esatte, ma comprendere gli schemi e la struttura dei dati.

Viene spesso utilizzato quando si esplora per la prima volta un dataset non etichettato. Invece di indicare al modello cosa cercare, gli permetti di identificare autonomamente somiglianze, raggruppare immagini correlate o evidenziare pattern insoliti.

In una grande raccolta di immagini, un approccio non supervisionato può aiutare a organizzare insieme le immagini simili o segnalare valori anomali che potrebbero richiedere ulteriore attenzione. Questo lo rende un utile punto di partenza nei progetti di data science.

I modelli generativi, tra cui GANs, autoencoder variazionali e modelli di diffusione, apprendono la distribuzione sottostante delle immagini per crearne di completamente nuove. Questi modelli alimentano applicazioni come la sintesi delle immagini, l'inpainting, la super-risoluzione e il trasferimento dello stile, e costituiscono la base degli odierni sistemi di AI generativa.

Nella segmentazione non supervisionata, alcuni metodi raggruppano pixel o regioni in segmenti coerenti senza basarsi su maschere etichettate; ciò è utile quando l'annotazione è troppo costosa o quando l'obiettivo è scoprire la struttura anziché corrispondere a categorie predefinite.

L'apprendimento non supervisionato è utile anche quando si lavora con grandi dataset in cui l'etichettatura richiede molto tempo o non è pratica. In questi casi, consente di ricavare informazioni dai dati senza basarsi su dati di addestramento etichettati.

Viene inoltre comunemente utilizzato in aree come l'AI generativa (modelli che creano nuovi dati, come immagini, testo o audio) e l'apprendimento delle rappresentazioni (modelli che apprendono caratteristiche o pattern utili dai dati grezzi), in cui i modelli apprendono caratteristiche generali da grandi quantità di dati. In generale, se il tuo problema riguarda l'esplorazione, la scoperta di pattern o il lavoro con dati non etichettati, l'apprendimento non supervisionato è un approccio flessibile e pratico da prendere in considerazione.

Esempi reali di apprendimento non supervisionato nella computer vision#

Ecco alcuni esempi di casi d'uso in cui l'apprendimento non supervisionato viene applicato alla computer vision:

• Rilevamento delle anomalie nella produzione: i modelli possono apprendere l'aspetto dei prodotti normali e segnalare difetti o irregolarità senza aver bisogno di esempi etichettati per ogni possibile difetto.
• Organizzazione e ricerca delle immagini: grandi raccolte di immagini, come archivi fotografici o cataloghi di e-commerce, possono essere raggruppate automaticamente in base alla somiglianza visiva, semplificando l'organizzazione, l'esplorazione e la ricerca all'interno di grandi dataset per i data scientist.
• Videosorveglianza e sicurezza: i sistemi possono analizzare le riprese video per identificare schemi o comportamenti insoliti, come movimenti imprevisti o cambiamenti nella folla, senza essere addestrati esplicitamente su eventi etichettati.
• Preelaborazione ed esplorazione dei dati: i metodi non supervisionati vengono spesso utilizzati per esplorare e strutturare i dati grezzi delle immagini prima di addestrare modelli supervisionati, contribuendo a migliorare la qualità dei dati e ridurre il lavoro manuale.

Limiti pratici dell'apprendimento supervisionato e non supervisionato#

Nonostante i vantaggi di entrambi gli approcci di apprendimento, ci sono alcuni limiti da considerare. Ecco alcuni fattori pratici da tenere a mente quando si realizzano modelli di computer vision:

• Overfitting nei modelli supervisionati: nell'apprendimento supervisionato, un modello può apprendere i dati di addestramento in modo eccessivamente specifico anziché imparare pattern generali. Ciò accade spesso quando il dataset è piccolo o non abbastanza diversificato. Ad esempio, un modello addestrato per rilevare difetti in un tipo di prodotto potrebbe non funzionare sui nuovi dati costituiti da prodotti o condizioni di illuminazione leggermente diversi.
• Difficoltà con gli algoritmi di clustering: nell'apprendimento non supervisionato, un modello può raggruppare insieme punti dati simili. Tuttavia, questo approccio può fallire quando i dati sono rumorosi, incoerenti o privi di una struttura chiara. Ad esempio, nelle attività di raggruppamento delle immagini, immagini con colori simili ma oggetti diversi potrebbero essere raggruppate erroneamente.
• Importanza di una preelaborazione corretta: prima dell'addestramento, i dati devono essere puliti e preparati. Questa operazione viene generalmente eseguita utilizzando librerie Python che gestiscono l'elaborazione delle immagini e la trasformazione dei dati. È particolarmente importante nella computer vision, dove le immagini possono variare per dimensioni, qualità o illuminazione. Senza una preelaborazione adeguata, i modelli potrebbero apprendere il rumore anziché pattern significativi, con conseguenti prestazioni scarse.

Punti chiave#

Nella computer vision, sia l'apprendimento supervisionato sia quello non supervisionato svolgono ruoli importanti. L'approccio corretto dipende dal tipo di dati disponibili, dal fatto che siano etichettati o meno, dal problema che stai cercando di risolvere e dalle tue esigenze di deployment.

Se il tuo obiettivo è ottenere un'elevata accuratezza e output chiaramente definiti, il machine learning supervisionato è spesso la scelta migliore. Se stai esplorando i dati o lavorando senza etichette, l'apprendimento non supervisionato può essere più adatto.

Vuoi saperne di più sull'AI? Visita la nostra community e il nostro repository GitHub. Esplora le nostre pagine sulle soluzioni per scoprire l'AI nella robotica e la computer vision nell'agricoltura. Scopri le nostre opzioni di licenza e inizia oggi stesso a sviluppare con la computer vision!