Few-Shot Learning

최소한의 데이터로 AI를 학습시키기 위해 퓨샷 학습(Few-Shot Learning, FSL)을 탐색하십시오. Ultralytics YOLO26이 빠른 적응과 높은 정확도를 위해 메타 학습을 어떻게 활용하는지 알아보십시오.

Few-Shot Learning (FSL)은 매우 적은 수의 라벨이 지정된 예제를 사용하여 새로운 개념을 인식하고 분류하도록 모델을 훈련하도록 설계된 machine learning (ML)의 특수한 하위 분야입니다. 전통적인 deep learning (DL)에서는 높은 정확도를 달성하기 위해 일반적으로 카테고리당 수천 개의 이미지를 포함하는 대규모 데이터셋이 필요합니다. 그러나 FSL은 아이가 책에서 단 한두 장의 그림을 본 후 기린을 인식할 수 있는 것처럼, 제한된 경험으로부터 빠르게 일반화하는 인간의 인지 능력을 모방합니다. 이 기능은 방대한 양의 training data를 수집하는 것이 비용이 너무 많이 들고, 시간이 오래 걸리며, 사실상 불가능한 시나리오에 artificial intelligence (AI)를 배포하는 데 필수적입니다.

Few-Shot Learning의 핵심 메커니즘#

FSL의 주요 목표는 사전 지식을 활용하여 광범위한 데이터 수집에 대한 의존도를 줄이는 것입니다. 모델은 처음부터 패턴을 학습하는 대신 몇 개의 라벨이 지정된 예제가 포함된 "서포트 세트"를 사용하여 새로운 클래스를 이해합니다. 이는 "학습하는 법을 학습"하는 것으로도 알려진 meta-learning과 같은 고급 기술을 통해 달성되는 경우가 많습니다. 이 패러다임에서 모델은 최소한의 조정으로 새로운 작업에 적응할 수 있도록 최적의 초기화 또는 업데이트 규칙을 학습하기 위해 다양한 작업에 대해 훈련됩니다.

또 다른 일반적인 접근 방식은 embeddings를 사용하여 모델이 입력 데이터를 벡터 공간으로 매핑하는 방법을 학습하는 메트릭 기반 학습과 관련이 있습니다. 이 공간에서 유사한 항목은 서로 가깝게 군집화되고 유사하지 않은 항목은 멀리 떨어지게 됩니다. Prototypical Networks와 같은 알고리즘은 각 클래스의 평균 표현 또는 프로토타입을 계산하고 이러한 프로토타입과의 거리를 기반으로 새로운 쿼리 샘플을 분류합니다. 이는 더 큰 일반 데이터셋에 대한 사전 훈련 중에 개발된 feature extraction 기능에 의존하는 경우가 많습니다.

실제 애플리케이션 사례#

Few-Shot Learning은 데이터 부족으로 인해 AI 기술 도입이 저해되었던 산업을 변화시키고 있습니다.

의료 영상 및 진단#

medical image analysis 분야에서는 희귀 병리에 대한 수천 개의 라벨이 지정된 스캔을 얻는 것이 불가능한 경우가 많습니다. FSL을 사용하면 연구원은 몇 건의 주석이 달린 사례 연구만 사용하여 희귀 종양 유형 또는 특정 유전적 이상을 감지하는 computer vision (CV) 시스템을 훈련할 수 있습니다. 이 기능은 Stanford Medicine과 같은 기관에서 추구하는 목표인 고급 진단 도구에 대한 액세스를 민주화하여 그렇지 않으면 전문적인 인간의 전문 지식이 필요한 상태를 식별하는 데 도움을 줍니다.

산업 품질 관리#

제조 분야의 현대적 AI in manufacturing은 자동 검사에 크게 의존합니다. 그러나 특정 결함이 매우 드물게 발생할 수 있으므로 "불량" 부품의 대규모 데이터셋을 구축하기가 어렵습니다. FSL을 사용하면 anomaly detection 시스템이 단 몇 장의 이미지만으로 새로운 결함 유형의 특성을 학습할 수 있습니다. 이를 통해 공장 운영자는 데이터를 수집하기 위해 생산을 중단하지 않고도 품질 보증 프로토콜을 신속하게 업데이트할 수 있으며, 동적 생산 환경에서 효율성이 크게 향상됩니다.

Ultralytics를 이용한 실용적인 구현#

실제로 Few-Shot Learning을 수행하는 가장 효과적인 방법 중 하나는 매우 강력한 사전 훈련된 모델을 활용하는 것입니다. 최신 YOLO26과 같은 최첨단 모델은 COCO 또는 ImageNet과 같은 대규모 데이터셋에서 풍부한 특징 표현을 학습했습니다. 작은 커스텀 데이터셋에서 이러한 모델을 미세 조정함으로써 놀라운 속도와 정확도로 새로운 작업에 적응할 수 있습니다.

다음 Python 예제는 ultralytics 패키지를 사용하여 소규모 데이터셋에서 모델을 훈련하여 퓨샷 적응을 효과적으로 수행하는 방법을 보여줍니다.

from ultralytics import YOLO

# Load a pre-trained YOLO26 model (incorporates learned features)
model = YOLO("yolo26n.pt")

# Fine-tune on a tiny dataset (e.g., coco8 has only 4 images per batch)
# This leverages the model's prior knowledge for the new task
results = model.train(data="coco8.yaml", epochs=20, imgsz=640)

# The model adapts to detect objects in the small dataset
print("Few-shot adaptation complete.")

도전 과제 및 향후 전망#

FSL은 강력하지만 신뢰성 측면에서 과제에 직면해 있습니다. 제공된 몇 안 되는 예제가 이상값성이거나 노이즈가 있는 경우 모델의 성능이 저하될 수 있으며, 이는 overfitting으로 알려진 문제입니다. 이러한 위험을 완화하려면 data augmentation 및 synthetic data 생성에 대한 연구가 필수적입니다. foundation models이 더 커지고 더 유능해지고 Ultralytics Platform과 같은 도구가 모델 훈련 및 관리를 단순화함에 따라 최소한의 데이터로 커스텀 AI 솔루션을 만드는 기능은 전 세계 개발자에게 점점 더 접근하기 쉬워질 것입니다.

Explore solutions

로봇 공학에서의 AI

Ultralytics YOLO 모델로 더 스마트한 기기를 구동하십시오. 로봇 공학의 비전 AI는 자율 주행, 인식, 객체 추적 및 실시간 제어를 촉진합니다.

Few-Shot Learning