Training Data

I dati di addestramento sono il dataset iniziale usato per insegnare a un modello di machine learning a riconoscere schemi, fare previsioni o svolgere attività specifiche. Rappresentano il testo fondamentale per i sistemi di intelligenza artificiale e forniscono la verità fondamentale che l'algoritmo analizza per modificare i propri parametri interni. Nell'apprendimento supervisionato, i dati di addestramento sono composti da campioni di input associati alle rispettive etichette di output, che consentono al modello di apprendere la relazione tra i due. La qualità, la quantità e la varietà di questi dati influiscono direttamente sull'accuratezza finale del modello e sulla sua capacità di generalizzare a informazioni nuove e mai viste.

Il ruolo dei dati di addestramento nell'IA#

La funzione principale dei dati di addestramento è ridurre al minimo l'errore tra le previsioni del modello e i risultati effettivi. Durante il processo di addestramento del modello, l'algoritmo elabora iterativamente i dati e individua caratteristiche, come i bordi di un'immagine o le parole chiave di una frase, correlate a etichette specifiche. Questo processo è distinto dai dati di convalida, usati per ottimizzare gli iperparametri durante l'addestramento, e dai dati di test, riservati alla valutazione finale delle prestazioni del modello.

I dati di addestramento di alta qualità devono rappresentare gli scenari del mondo reale che il modello incontrerà. Se il dataset contiene distorsioni o non è sufficientemente vario, il modello può sovradattarsi, memorizzando gli esempi di addestramento senza riuscire a funzionare bene su nuovi input. Al contrario, si verifica un sottoadattamento quando i dati sono troppo semplici o insufficienti perché il modello possa cogliere gli schemi sottostanti.

Applicazioni nel mondo reale#

I dati di addestramento alimentano l'innovazione in quasi tutti i settori, consentendo ai sistemi di apprendere dagli esempi storici.

• IA in ambito sanitario: nella diagnostica medica, i dati di addestramento possono consistere in migliaia di radiografie etichettate come "sane" oppure come contenenti patologie specifiche, come la polmonite. Elaborando questi esempi etichettati, modelli come Ultralytics YOLO26 possono imparare ad aiutare i radiologi, evidenziando potenziali anomalie con grande precisione e riducendo notevolmente i tempi di diagnosi.
• Veicoli autonomi: le auto a guida autonoma si basano su enormi dataset che contengono milioni di chilometri di riprese di guida. Questi dati di addestramento includono fotogrammi annotati che mostrano pedoni, segnali stradali, altri veicoli e segnaletica orizzontale. Queste informazioni, provenienti da raccolte complete come il Waymo Open Dataset o nuScenes, insegnano al sistema di percezione del veicolo a navigare in sicurezza in ambienti complessi.

Reperimento e gestione dei dati#

Ottenere dati di addestramento solidi è spesso la parte più impegnativa di un progetto di machine learning. I dati possono provenire da archivi pubblici come Google Dataset Search o da raccolte specializzate come COCO per il rilevamento degli oggetti. Tuttavia, spesso i dati grezzi richiedono un'attenta pulizia dei dati e annotazione per garantire l'accuratezza.

Strumenti come la Ultralytics Platform hanno semplificato questo flusso di lavoro, offrendo un ambiente integrato per caricare, etichettare e gestire i dataset. Una gestione efficace include anche l'aumento dei dati, una tecnica che aumenta artificialmente le dimensioni del set di addestramento applicando trasformazioni, come capovolgimenti, rotazioni o regolazioni dei colori, alle immagini esistenti. Questo aiuta i modelli a diventare più robusti rispetto alle variazioni dei dati di input.

Esempio pratico con Ultralytics YOLO26#

L'esempio Python seguente mostra come avviare l'addestramento usando la libreria ultralytics. Qui, un modello YOLO26 preaddestrato viene perfezionato sul dataset COCO8, un piccolo dataset progettato per verificare le pipeline di addestramento.

from ultralytics import YOLO

# Carica un modello YOLO26n preaddestrato
model = YOLO("yolo26n.pt")

# Addestra il modello sul dataset COCO8 per 5 epoche
# L'argomento 'data' specifica il file di configurazione del dataset
results = model.train(data="coco8.yaml", epochs=5, imgsz=640)

Importanza della qualità dei dati#

Il detto "spazzatura in ingresso, spazzatura in uscita" è fondamentale nel machine learning. Neppure le architetture più sofisticate, come i Transformer o le profonde reti neurali convoluzionali (CNN), possono compensare dati di addestramento di scarsa qualità. Problemi come il rumore nelle etichette, quando le etichette di verità fondamentale sono errate, possono compromettere gravemente le prestazioni. Perciò, rigorosi processi di garanzia della qualità, spesso con la verifica con intervento umano, sono essenziali per preservare l'integrità del dataset.

Inoltre, rispettare i principi dell'etica dell'IA richiede di esaminare i dati di addestramento per individuare distorsioni demografiche o socioeconomiche. Garantire l'equità nell'IA inizia da un dataset di addestramento equilibrato e rappresentativo, che aiuta a prevenire esiti discriminatori nelle applicazioni distribuite.