Esplorare l'apprendimento supervisionato e non supervisionato nella computer vision

L’intelligenza artificiale (AI) si basa sul concetto fondamentale di insegnare alle macchine ad apprendere e ragionare in modi che ricordano l’intelligenza umana. Come le persone imparano attraverso metodi diversi, per esempio con istruzioni dirette o osservando schemi ed esperienze, anche i sistemi di AI e machine learning sono progettati per seguire questi stessi approcci.

In particolare, gli algoritmi di machine learning addestrano i sistemi ad apprendere dai dati, invece di programmarli esplicitamente per ogni attività. Anziché basarsi su regole fisse, i modelli di machine learning individuano schemi nei dati e li usano per formulare previsioni o prendere decisioni.

Per esempio, la visione artificiale è un ramo dell’AI e del machine learning che punta a consentire ai sistemi di interpretare e comprendere informazioni visive, come immagini e video. Dal riconoscimento degli oggetti all’individuazione di schemi nascosti in grandi set di dati, questi sistemi dipendono fortemente dal modo in cui vengono addestrati ad apprendere.

Per addestrare questi sistemi si usano diverse tecniche di apprendimento dell’AI, in base al tipo di dati disponibili e al problema da risolvere.

Alcuni modelli di visione artificiale apprendono da dati etichettati, in cui ogni input è associato alla risposta corretta: ogni immagine o punto dati ha quindi un’etichetta predefinita che indica cosa rappresenta. Questo consente al modello di apprendere la relazione tra l’input e l’output previsto, migliorando la sua capacità di fare previsioni accurate su nuovi dati mai visti prima.

Altri modelli di visione apprendono da dati non etichettati, senza risposte predefinite, e si concentrano invece sull’individuazione di schemi e relazioni all’interno dei dati stessi. Questi approcci sono noti rispettivamente come apprendimento supervisionato e apprendimento non supervisionato e costituiscono le basi di molti sistemi di visione artificiale all’avanguardia.

In questo articolo esploreremo l’apprendimento supervisionato e non supervisionato, il loro utilizzo nella visione artificiale e come scegliere l’approccio più adatto al tuo progetto di AI per la visione. Iniziamo!

Come gli approcci di apprendimento dell’AI potenziano la visione artificiale#

Puoi pensare all’intelligenza artificiale come a un ombrello che racchiude una serie di tecnologie che consentono alle macchine di svolgere attività che in genere richiedono l’intelligenza umana. All’interno di questo ombrello, il machine learning è un ambito fondamentale che permette ai sistemi di apprendere dai dati, invece di basarsi soltanto su regole fisse.

Nel machine learning, le diverse tecniche di apprendimento determinano come un modello apprende e migliora nel tempo. Approcci come l’apprendimento supervisionato (apprendere da dati etichettati con risposte corrette), l’apprendimento non supervisionato (individuare schemi in dati non etichettati), l’apprendimento per rinforzo (apprendere per tentativi ed errori usando feedback o ricompense) e l’apprendimento semi-supervisionato (combinare una piccola quantità di dati etichettati con una grande quantità di dati non etichettati) definiscono il modo in cui i sistemi elaborano i dati in ingresso e generano quelli in uscita.

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

In particolare, i sistemi di visione artificiale si basano su questi approcci di apprendimento per interpretare e comprendere i dati visivi. L’apprendimento supervisionato è il metodo più usato, perché consente ai modelli di apprendere da esempi chiaramente etichettati e di produrre risultati accurati e affidabili.

Per esempio, puoi addestrare un modello su immagini etichettate come “gatto” e “cane”: il modello apprende caratteristiche come la forma, le orecchie e la struttura del muso, così può classificare correttamente nuove immagini usando algoritmi di classificazione. Nella visione artificiale si usano anche l’apprendimento non supervisionato e quello semi-supervisionato, spesso per esplorare gli schemi nei dati o migliorare le prestazioni quando i dati etichettati sono limitati.

Uno sguardo all’uso dei modelli di apprendimento supervisionato nella visione artificiale#

Puoi paragonare gli algoritmi di apprendimento supervisionato a una lezione in classe, in cui un insegnante fornisce esempi insieme alle risposte corrette, così gli studenti possono capire cosa è giusto e cosa è sbagliato. Nel machine learning, i modelli apprendono in modo simile usando dati etichettati, in cui ogni input è associato a un output noto.

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

Ogni oggetto verrebbe contrassegnato con la propria posizione e categoria, consentendo al modello di imparare cosa cercare. Con il 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 nei fotogrammi.

Fig. 2. Esempio di rilevamento degli oggetti basato sull’apprendimento supervisionato (Fonte)

Oltre al rilevamento degli oggetti, l’apprendimento supervisionato è ampiamente usato in diverse attività di visione artificiale, come la classificazione delle immagini, la segmentazione di istanze e la stima della posa, in cui accuratezza e coerenza sono importanti. In ciascuna di queste attività, i modelli apprendono da dati etichettati per identificare schemi specifici e fare previsioni affidabili su nuovi input.

Questi modelli sono in genere realizzati con il deep learning, un tipo di machine learning che usa reti neurali per apprendere schemi direttamente dai dati. Le reti neurali sono progettate per elaborare informazioni in un modo vagamente ispirato al funzionamento del cervello umano, consentendo ai modelli di apprendere caratteristiche visive complesse da grandi set di dati.

Gli approcci precedenti alla visione artificiale si basavano spesso su caratteristiche progettate manualmente e combinate con algoritmi come le macchine a vettori di supporto (SVM, modelli che classificano i dati individuando 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 visione artificiale usano il deep learning per apprendere automaticamente queste caratteristiche dai dati e gestire con maggiore efficacia attività visive dettagliate e su larga scala.

Perché i modelli di apprendimento non supervisionato sono utili nell’AI per la visione#

Sebbene l’apprendimento supervisionato sia l’approccio più comune nella visione artificiale, alcune applicazioni di visione non dispongono di dati etichettati oppure la loro creazione è troppo costosa e richiede troppo tempo.

In questi casi, gli algoritmi di apprendimento non supervisionato possono essere un’alternativa utile. Immagina di avere una vasta raccolta di foto non etichettate scattate da una fototrappola.

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

Come funziona l’apprendimento non supervisionato nella visione artificiale#

Come funziona, quindi, il machine learning non supervisionato? Invece di apprendere da risposte corrette, il modello impara individuando autonomamente schemi e strutture nei dati. Cerca somiglianze e differenze nei dati senza basarsi su esempi etichettati.

Un caso d’uso comune è il rilevamento delle anomalie: il modello apprende l’aspetto dei dati normali e poi individua tutto ciò che se ne discosta. Il rilevamento di anomalie e valori anomali è una delle applicazioni industriali più incisive. Alcuni esempi sono individuare prodotti difettosi su una linea di produzione, segnalare scansioni mediche insolite da sottoporre all’attenzione di un radiologo o rilevare attività sospette nei filmati di sorveglianza. Poiché i difetti e le anomalie sono spesso rari e vari, è poco pratico etichettare ogni caso possibile: per questo gli approcci non supervisionati sono una scelta naturale.

A questo scopo si usano spesso tecniche come il clustering e la riduzione della dimensionalità, di solito applicate alle caratteristiche estratte dalle immagini anziché alle immagini grezze. I metodi di clustering, come il clustering k-means, raggruppano le immagini simili in base a schemi 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’individuazione di schemi e strutture significativi nei set di dati grandi e complessi. Il principale vantaggio dell’apprendimento non supervisionato è che funziona bene con dati non etichettati e può rivelare schemi non immediatamente evidenti. Tuttavia, è più difficile da valutare e offre meno controllo sull’output finale rispetto all’apprendimento supervisionato.

Apprendimento auto-supervisionato e semi-supervisionato nella visione artificiale#

Esplorando l’apprendimento supervisionato e non supervisionato, potresti chiederti se esiste una via di mezzo tra i due. È interessante notare che l’apprendimento auto-supervisionato e quello semi-supervisionato colmano il divario tra apprendimento supervisionato e non supervisionato.

Questi approcci consentono ai modelli di apprendere dai dati non etichettati in modo più efficace. Invece di basarsi solo su esempi etichettati, creano attività di apprendimento a partire dai dati oppure combinano un piccolo set di dati etichettati con uno più ampio di dati non etichettati.

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

Nell’apprendimento semi-supervisionato, invece, una piccola quantità di dati etichettati viene usata insieme a un set 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 ad apprendere.

Il vantaggio principale di questi approcci è che riducono la necessità di disporre di grandi set di dati etichettati, spesso costosi e lunghi da creare. Tuttavia, possono essere più complessi da progettare e valutare rispetto ai metodi completamente supervisionati.

Differenze principali tra apprendimento supervisionato e non supervisionato#

La differenza tra apprendimento supervisionato e non supervisionato riguarda il modo in cui un modello apprende e l’obiettivo che cerca di raggiungere. 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 nei dati.

Per esempio, in un sistema di monitoraggio del traffico, puoi addestrare un modello di apprendimento supervisionato su immagini etichettate per rilevare veicoli, pedoni o semafori. Al contrario, un modello non supervisionato potrebbe analizzare grandi quantità di riprese video per raggruppare schemi di traffico simili o individuare eventi insoliti, come congestioni impreviste o movimenti anomali, senza istruzioni esplicite su cosa cercare.

Quando usare l’apprendimento supervisionato nella visione artificiale#

L’apprendimento supervisionato è un’ottima scelta per le attività di visione artificiale con un obiettivo ben definito, in cui il modello deve associare i dati in ingresso a output accurati. Funziona particolarmente bene quando hai un set di dati etichettato affidabile e ti servono risultati coerenti e prevedibili.

Fig. 3. Attività di visione artificiale basate sull’apprendimento supervisionato (Fonte)

Si usa comunemente per problemi in cui il modello deve distinguere tra categorie note o prevedere risultati specifici. Anziché esplorare schemi, l’obiettivo è apprendere relazioni precise dai dati etichettati, così è più facile guidare il modello verso il risultato desiderato.

Un altro vantaggio importante è il controllo. Con l’apprendimento supervisionato è più facile misurare le prestazioni usando metriche chiare, ottimizzare il modello e garantirne un comportamento stabile durante la messa in produzione. È quindi ideale per i sistemi che devono mantenere coerenza e affidabilità nel tempo.

Tuttavia, c’è un compromesso. Il modello dipende fortemente dalla qualità e dalla quantità dei dati etichettati, e raccogliere e annotare questi dati può richiedere molto tempo.

Esempi concreti di visione artificiale supervisionata#

I modelli di AI per la visione come i modelli Ultralytics YOLO usano 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 reali comuni in cui l’apprendimento supervisionato fa la differenza:

• Sanità e imaging medico: i medici possono usare sistemi di visione artificiale addestrati su scansioni etichettate, come radiografie o risonanze magnetiche. I classificatori permettono di individuare condizioni come tumori o fratture, favorendo diagnosi più rapide e accurate.
• Controllo qualità industriale: negli ambienti di produzione, i sistemi di visione addestrati su dati etichettati possono ispezionare i prodotti analizzando diverse caratteristiche legate alla qualità, come forma, difetti superficiali, trama e dimensioni. Apprendendo da esempi di prodotti conformi e difettosi, questi sistemi possono individuare i difetti con coerenza e mantenere gli standard di produzione.
• Guida autonoma: i sistemi di guida autonoma si basano su modelli addestrati con dati di guida etichettati per riconoscere corsie, veicoli, pedoni e segnali stradali, aiutando i veicoli a spostarsi in sicurezza in tempo reale.
• Vendita al dettaglio e sistemi di cassa: i negozi usano modelli addestrati su immagini di prodotti etichettate per identificare gli articoli sugli scaffali o alla cassa, automatizzare la fatturazione e gestire le scorte in modo più efficiente. Combinati con dati aggiuntivi, questi sistemi possono anche supportare attività come la segmentazione dei clienti e aiutare le aziende a comprendere meglio le abitudini di acquisto.
• Agricoltura e monitoraggio delle colture: gli agricoltori possono usare modelli addestrati su immagini etichettate per rilevare e classificare le colture, per esempio identificando e contando le patate sane e danneggiate, migliorando il controllo qualità e riducendo le perdite.

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

Quali problemi di visione artificiale può risolvere l’apprendimento non supervisionato#

L’apprendimento non supervisionato è utile quando non hai abbastanza dati etichettati o quando i dati non includono risposte chiare. In queste situazioni, l’obiettivo non è fare previsioni esatte, ma comprendere gli schemi e le strutture presenti nei dati.

Si usa spesso per esplorare per la prima volta un set di dati non etichettato. Invece di indicare al modello cosa cercare, gli permetti di individuare autonomamente somiglianze, raggruppare immagini correlate o evidenziare schemi insoliti.

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

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

Nella segmentazione non supervisionata, alcuni metodi raggruppano pixel o regioni in segmenti coerenti senza basarsi su maschere etichettate. È utile quando l’annotazione è troppo costosa o quando l’obiettivo è scoprire strutture anziché adattarsi a categorie predefinite.

L’apprendimento non supervisionato è utile anche quando si lavora con grandi set di dati la cui etichettatura richiede molto tempo o non è praticabile. In questi casi, consente di ricavare informazioni dai dati senza basarsi su dati di addestramento etichettati.

Si usa comunemente anche in ambiti come l’AI generativa (modelli che creano nuovi dati, per esempio immagini, testo o audio) e l’apprendimento di rappresentazioni (modelli che apprendono caratteristiche o schemi utili dai dati grezzi), in cui i modelli apprendono caratteristiche generali da grandi quantità di dati. In generale, se il tuo problema richiede esplorazione, scoperta di schemi o lavoro con dati non etichettati, l’apprendimento non supervisionato è un approccio flessibile e pratico da valutare.

Esempi concreti di apprendimento non supervisionato nella visione artificiale#

Ecco alcuni esempi di casi d’uso dell’apprendimento non supervisionato nella visione artificiale:

• Rilevamento delle anomalie nella produzione: i modelli possono apprendere l’aspetto dei prodotti normali e segnalare difetti o irregolarità senza bisogno di esempi etichettati per ogni difetto possibile.
• Organizzazione e ricerca di immagini: grandi raccolte di immagini, come archivi fotografici o cataloghi di e-commerce, possono essere raggruppate automaticamente in base alla somiglianza visiva, facilitando l’organizzazione, l’esplorazione e la ricerca nei grandi set di dati da parte dei data scientist.
• Sorveglianza e sicurezza: i sistemi possono analizzare i filmati per individuare schemi o comportamenti insoliti, come movimenti imprevisti o cambiamenti nella folla, senza essere addestrati esplicitamente su eventi etichettati.
• Pre-elaborazione ed esplorazione dei dati: i metodi non supervisionati vengono spesso usati per esplorare e strutturare i dati grezzi delle immagini prima di addestrare modelli supervisionati, contribuendo a migliorare la qualità dei dati e a 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 presenti quando crei modelli di visione artificiale:

• Overfitting nei modelli supervisionati: nell’apprendimento supervisionato, un modello può adattarsi troppo ai dati di addestramento invece di apprendere schemi generali. Succede spesso quando il set di dati è piccolo o poco diversificato. Per esempio, un modello addestrato a rilevare difetti in un tipo di prodotto potrebbe non funzionare quando viene testato su nuovi dati con prodotti o condizioni di illuminazione leggermente diversi.
• Difficoltà degli algoritmi di clustering: nell’apprendimento non supervisionato, un modello può raggruppare punti dati simili. Tuttavia, questo può non funzionare quando i dati sono rumorosi, incoerenti o privi di una struttura chiara. Per esempio, nelle attività di raggruppamento delle immagini, immagini con colori simili ma oggetti diversi potrebbero essere raggruppate in modo errato.
• Importanza di una pre-elaborazione adeguata: prima dell’addestramento, i dati devono essere puliti e preparati. In genere, si usano librerie Python che gestiscono l’elaborazione delle immagini e la trasformazione dei dati. È particolarmente importante nella visione artificiale, dove le immagini possono variare per dimensioni, qualità o illuminazione. Senza una pre-elaborazione adeguata, i modelli potrebbero apprendere dal rumore anziché da schemi significativi, con conseguenti prestazioni scadenti.

Punti chiave#

Nella visione artificiale, l’apprendimento supervisionato e quello non supervisionato svolgono entrambi un ruolo importante. L’approccio giusto dipende dal tipo di dati che hai, dal fatto che siano etichettati o meno, dal problema che vuoi risolvere e dalle tue esigenze di distribuzione.

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

Vuoi saperne di più sull’AI? Dai un’occhiata alla nostra community e al nostro repository GitHub. Esplora le pagine delle nostre soluzioni per saperne di più sull’AI nella robotica e sulla visione artificiale in agricoltura. Scopri le opzioni di licenza e inizia oggi a creare soluzioni con la visione artificiale!