Active Learning

L'apprendimento attivo è un approccio strategico nell'apprendimento automatico (ML) in cui l'algoritmo seleziona in modo proattivo i punti dati più informativi per l'etichettatura, invece di accettare passivamente un set di dati pre-etichettato. Nel tradizionale apprendimento supervisionato, i modelli richiedono spesso enormi quantità di dati annotati, che possono essere costosi e richiedere tempo per essere creati. L'apprendimento attivo ottimizza questo processo identificando esempi "incerti" o "difficili" — quelli vicini al confine decisionale o dove il modello manca di confidenza — e richiedendo agli annotatori umani di etichettare solo quelle specifiche istanze. Questo ciclo iterativo consente ai modelli di ottenere un'elevata accuratezza con un numero significativamente inferiore di campioni etichettati, rendendolo altamente efficiente per progetti con budget limitati o vincoli temporali.

Link to this sectionCome funziona il ciclo di apprendimento attivo#

Il fulcro dell'apprendimento attivo è un ciclo di feedback spesso definito human-in-the-loop. Invece di addestrare una sola volta su un set di dati statico, il modello si evolve attraverso cicli di query e aggiornamento.

1. Inizializzazione: Il processo inizia con un piccolo insieme di dati di addestramento etichettati utilizzati per addestrare un modello iniziale, come Ultralytics YOLO26.

2. Selezione della query: Il modello valuta un ampio pool di dati non etichettati. Utilizzando una strategia di query — più comunemente il campionamento dell'incertezza — seleziona le immagini o i testi in cui le sue previsioni sono meno sicure.

3. Annotazione: Questi campioni ad alta priorità vengono inviati a un esperto umano, spesso chiamato "oracolo" nella letteratura sull'apprendimento attivo, per l'etichettatura dei dati.

4. Riaddestramento: I dati appena etichettati vengono aggiunti al set di addestramento e il modello viene riaddestrato. Questo modello aggiornato è quindi meglio attrezzato per selezionare il prossimo lotto di campioni confusi.

Link to this sectionApplicazioni nel mondo reale#

L'apprendimento attivo è indispensabile nei settori in cui i dati sono abbondanti ma l'etichettatura richiede conoscenze specialistiche o costi elevati.

• Analisi di immagini mediche: In campi come la radiologia, l'etichettatura richiede esperti certificati il cui tempo è estremamente prezioso. Invece di chiedere a un medico di annotare migliaia di scansioni chiare, un sistema di apprendimento attivo può filtrare i casi ambigui — come tumori in stadio iniziale o anomalie rare — consentendo all'esperto di concentrarsi solo sulle immagini che migliorano realmente la capacità diagnostica del modello.
• Veicoli autonomi: Le auto a guida autonoma generano petabyte di dati video. Etichettare ogni fotogramma è impossibile. L'apprendimento attivo aiuta gli ingegneri a identificare casi limite, come pedoni in costume o la guida in caso di forte nevicata, che i modelli standard di rilevamento oggetti potrebbero mancare. Dando priorità a questi scenari rari, le aziende migliorano la sicurezza senza sprecare risorse su filmati autostradali ripetitivi.

Link to this sectionEsempio Python: Filtraggio di previsioni incerte#

Il seguente esempio mostra una semplice logica di "campionamento dell'incertezza" utilizzando Ultralytics YOLO26. Carichiamo un modello, eseguiamo l'inferenza sulle immagini e contrassegniamo quelle in cui il punteggio di confidenza è inferiore a una certa soglia per la revisione manuale.

from ultralytics import YOLO

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

# List of unlabeled image paths
unlabeled_images = ["https://ultralytics.com/images/bus.jpg", "https://ultralytics.com/images/zidane.jpg"]

# Run inference
results = model(unlabeled_images)

# Identify samples with low confidence for active learning
uncertain_threshold = 0.6
for result in results:
    # Check if any detection confidence is below the threshold
    if result.boxes.conf.numel() > 0 and result.boxes.conf.min() < uncertain_threshold:
        print(f"Active Learning Query: {result.path} needs human labeling.")

Link to this sectionDistinguere concetti correlati#

È importante differenziare l'apprendimento attivo da paradigmi di addestramento simili:

• Apprendimento semi-supervisionato: Sebbene entrambi i metodi utilizzino dati non etichettati, l'apprendimento semi-supervisionato assegna automaticamente pseudo-etichette ai dati basandosi sulle previsioni ad alta confidenza del modello. Al contrario, l'apprendimento attivo richiede esplicitamente un input umano su previsioni a bassa confidenza.
• Apprendimento per trasferimento (Transfer Learning): Questo comporta prendere un modello pre-addestrato (come uno addestrato su ImageNet) e adattarlo a un nuovo compito. L'apprendimento attivo si concentra su quali dati etichettare, mentre l'apprendimento per trasferimento si concentra sul riutilizzo delle caratteristiche apprese.
• Apprendimento per rinforzo (Reinforcement Learning): Qui, un agente impara interagendo con un ambiente e ricevendo ricompense. L'apprendimento attivo è diverso perché cerca etichette statiche di verità di base (ground truth) da un oracolo, invece di ottimizzare una sequenza di azioni per una ricompensa.

Link to this sectionIntegrazione con MLOps#

Implementare l'apprendimento attivo in modo efficace richiede una solida pipeline di Operazioni di Machine Learning (MLOps). Hai bisogno di un'infrastruttura per gestire il versionamento dei dati, attivare i lavori di riaddestramento e fornire l'interfaccia di annotazione agli umani. Gli strumenti che si integrano con l'ecosistema Ultralytics consentono agli utenti di spostarsi senza problemi tra inferenza, cura dei dati e addestramento. Ad esempio, l'utilizzo di script di addestramento personalizzati consente agli sviluppatori di incorporare rapidamente nuovi batch di dati di apprendimento attivo nei propri modelli YOLO.

Per ulteriori letture sulle strategie di campionamento, i ricercatori fanno spesso riferimento a sondaggi completi nella letteratura sull'apprendimento attivo. Inoltre, comprendere le metriche di valutazione del modello è fondamentale per verificare che il ciclo di apprendimento attivo stia effettivamente migliorando le prestazioni.