Semi-Supervised Learning

L'apprendimento semi-supervisionato (SSL) è un paradigma strategico nel machine learning (ML) che funge da ponte tra due metodi di addestramento tradizionali. Mentre l'apprendimento supervisionato si basa interamente su set di dati completamente annotati e l'apprendimento non supervisionato tenta di trovare schemi nei dati senza alcun tag, l'SSL opera combinando una piccola quantità di dati etichettati con un pool significativamente più ampio di dati non etichettati. Questo approccio è particolarmente prezioso negli scenari reali di computer vision (CV) dove la raccolta di immagini grezze—come i filmati provenienti da telecamere di sicurezza o satelliti—è relativamente economica, ma il processo di etichettatura dei dati da parte di esperti umani è costoso, lento e laborioso. Utilizzando efficacemente la struttura nascosta all'interno degli esempi non etichettati, l'SSL può migliorare significativamente l'accuratezza del modello e la generalizzazione senza richiedere un budget di annotazione esaustivo.

Link to this sectionMeccanismi fondamentali dell'apprendimento semi-supervisionato#

L'obiettivo primario dell'SSL è propagare le informazioni trovate nel piccolo insieme di esempi etichettati verso il più ampio insieme non etichettato. Ciò consente alla rete neurale di apprendere confini di decisione che passano attraverso regioni a bassa densità dei dati, risultando in una classificazione o rilevamento più robusti.

Due tecniche popolari guidano la maggior parte dei flussi di lavoro semi-supervisionati:

• Pseudo-Labeling: In questo metodo, un modello viene prima addestrato sui dati etichettati limitati. Viene quindi utilizzato per eseguire l'inferenza sui dati non etichettati. Le previsioni che superano una specifica soglia di confidenza vengono trattate come "pseudo-etichette" o ground truth. Queste previsioni sicure vengono aggiunte ai dati di addestramento e il modello viene riaddestrato, migliorando iterativamente le sue prestazioni.
• Consistenza della regolarizzazione: Questa tecnica si basa sull'aumento dei dati. L'idea è che un modello dovrebbe restituire previsioni simili per un'immagine e una versione leggermente modificata (aumentata) della stessa immagine. Minimizzando la differenza nelle previsioni tra la versione originale e quella aumentata, il modello impara a concentrarsi sulle caratteristiche principali dell'oggetto piuttosto che sul rumore, migliorando la sua capacità di gestire l'overfitting.

Link to this sectionImplementazione pratica con YOLO#

Il seguente esempio in Python dimostra un semplice flusso di lavoro di pseudo-labeling utilizzando il pacchetto ultralytics. Qui, addestriamo un modello YOLO26 su un piccolo dataset e poi lo utilizziamo per generare etichette per una directory di immagini non etichettate.

from ultralytics import YOLO

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

# Train initially on a small available labeled dataset
model.train(data="coco8.yaml", epochs=10)

# Run inference on unlabeled data to generate pseudo-labels
# Setting save_txt=True saves the detections as text files for future training
results = model.predict(source="./unlabeled_images", save_txt=True, conf=0.85)

Link to this sectionApplicazioni nel mondo reale#

L'apprendimento semi-supervisionato sta trasformando i settori in cui i dati sono abbondanti ma l'esperienza è scarsa.

• Imaging medico: Nell'AI sanitaria, l'acquisizione di scansioni (raggi X, risonanze magnetiche) è una procedura standard, ma far annotare ogni pixel a un radiologo certificato per il rilevamento dei tumori è proibitivamente costoso. L'SSL consente ai ricercatori di addestrare modelli ad alte prestazioni utilizzando solo una frazione dei casi annotati da esperti, sfruttando migliaia di scansioni archiviate per perfezionare la comprensione del modello delle strutture biologiche.
• Guida autonoma: Le aziende di auto a guida autonoma raccolgono quotidianamente petabyte di dati video dai veicoli della flotta. Etichettare ogni fotogramma per il rilevamento degli oggetti e la segmentazione semantica è impossibile. Attraverso l'SSL, il sistema può imparare dalla stragrande maggioranza delle ore di guida non etichettate per comprendere meglio ambienti stradali complessi, condizioni meteorologiche e rari casi limite.

Link to this sectionDistinguere concetti correlati#

Per distribuire efficacemente soluzioni AI, è fondamentale capire in che modo l'SSL differisce da strategie simili:

• vs. Active Learning: Sebbene entrambi si occupino di dati non etichettati, il loro approccio all'etichettatura differisce. L'SSL assegna automaticamente le etichette in base alle previsioni del modello. Al contrario, l'apprendimento attivo identifica i punti dati più "confusi" o incerti e richiede esplicitamente a un human-in-the-loop di etichettarli, ottimizzando il tempo dell'operatore umano invece di rimuoverlo completamente.
• vs. Transfer Learning: Il transfer learning comporta l'utilizzo di un modello pre-addestrato su un enorme set di dati esterno (come ImageNet) e il suo perfezionamento (fine-tuning) sul tuo compito specifico. L'SSL, invece, si concentra sullo sfruttare la porzione non etichettata della tua specifica distribuzione di dati durante il processo di addestramento stesso.
• vs. Self-Supervised Learning: Sebbene i nomi siano simili, l'apprendimento auto-supervisionato si riferisce spesso a "compiti pretesto" (come risolvere un puzzle di frammenti di immagine) in cui i dati generano i propri segnali di supervisione senza alcuna etichetta esterna. L'SSL implica specificamente l'uso di un insieme più piccolo di etichette verificate per guidare il processo.

Link to this sectionStrumenti e prospettive future#

Mentre i modelli di deep learning (DL) crescono in dimensioni, l'efficienza nell'utilizzo dei dati diventa fondamentale. Framework moderni come PyTorch e TensorFlow forniscono il backend computazionale per questi cicli di addestramento avanzati. Inoltre, strumenti come Ultralytics Platform semplificano il ciclo di vita della gestione dei dataset. Utilizzando funzionalità come l'auto-annotazione, i team possono implementare flussi di lavoro semi-supervisionati più facilmente, trasformando rapidamente i dati grezzi in pesi del modello pronti per la produzione. Questa evoluzione nell'MLOps assicura che la barriera all'ingresso per la creazione di sistemi di visione ad alta precisione continui ad abbassarsi.