Online Learning
온라인 학습을 통해 점진적인 모델 업데이트를 수행하고, 컨셉 드리프트(concept drift)에 대응하며, Ultralytics YOLO26으로 더욱 안전한 컴퓨터 비전 워크플로우를 지원하는 방법을 알아보십시오.
온라인 학습은 모델을 고정된 데이터셋에서 한 번만 학습시키는 것이 아니라, 새로운 예시가 도착할 때마다 점진적으로 업데이트하는 머신 러닝 접근 방식입니다. 이 용어는 인터넷 기반 교육이 아닌 스트리밍 또는 순차적 모델 업데이트를 의미합니다. scikit-learn 온라인 학습 정의에 설명된 바와 같이, 온라인 학습자는 각 샘플이나 작은 배치 후에 예측하고 피드백을 받아 업데이트할 수 있습니다. 이는 데이터가 연속적이거나, 메모리에 담기에는 너무 크거나, 시간에 따라 변할 때 유용합니다. (scikit-learn.org)
Link to this section온라인 학습의 작동 방식#
일반적인 주기는 다음과 같습니다:
- 모델이 새로운 입력을 받아 예측을 수행합니다.
- 레이블 또는 피드백 신호가 생성됩니다.
- 손실이 계산되고 모델 파라미터가 업데이트됩니다.
- 다음 예시를 처리하기 전에 성능을 측정합니다.
스트리밍 머신 러닝을 위한 River와 같은 라이브러리는 predict_one() 및 learn_one()과 같은 메서드를 사용하여 이 예측-학습 워크플로를 구현합니다. 신경망은 반복적인 PyTorch 옵티마이저 단계를 통해 동일한 원리를 사용할 수 있지만, 딥러닝 모델은 일반적으로 계산 효율성을 위해 작은 배치 단위로 업데이트합니다. (docs.pytorch.org)
온라인 학습은 입력과 출력 간의 관계가 변하는 콘셉트 드리프트 상황에서 특히 유용합니다. 예로는 계절별 교통 패턴, 변화하는 고객 행동, 새로운 제조 결함 또는 서로 다른 조명 아래 설치된 카메라 등이 있습니다. 2024년 반복적 콘셉트 드리프트에 대한 조사는 날씨나 시간대와 같은 반복적인 조건이 시스템이 이전에 마주했던 분포를 인식하고 적응하도록 요구한다는 점을 강조합니다. (ijcai.org)
Link to this section컴퓨터 비전에서의 온라인 학습#
Ultralytics YOLO는 추론 중에 통제되지 않은 프레임 단위 가중치 업데이트를 수행하지 않습니다. 대신, 팀은 최근의 레이블이 지정된 데이터와 과거 예시를 혼합하여 주기적으로 마이크로 배치 파인 튜닝을 함으로써 안전한 온라인 학습을 근사할 수 있습니다:
from ultralytics import YOLO
model = YOLO("yolo26n.pt")
model.train(data="coco8.yaml", epochs=3, imgsz=640, lr0=0.001)이 실행 가능한 예제는 Ultralytics YOLO26과 문서화된 YOLO train 모드를 사용하여 작고 낮은 학습률의 업데이트를 수행합니다. 실제 운영 환경에서는 coco8.yaml이 최근 데이터와 재현 샘플을 포함하는 버전화된 데이터셋으로 대체됩니다.
구체적인 응용 분야는 다음과 같습니다:
- 제조업 시각적 검사: 새로운 제품, 재료 또는 결함 유형이 나타날 때 모델이 업데이트됩니다.
- 자율주행 차량 인식: 감지 시스템이 변화하는 도로, 날씨, 카메라 환경 및 객체 분포에 적응합니다.
- 소매 재고 관리: 모델이 전체 재학습 없이 새로운 포장과 계절 상품을 학습합니다.
Link to this section관련 개념 및 주요 차이점#
연속 학습(Continual learning)은 더 넓은 개념으로, 이전 지식을 유지하면서 작업이나 도메인 전반에 걸쳐 학습하는 것을 목표로 합니다. 온라인 학습은 업데이트가 언제 그리고 얼마나 자주 발생하는지를 기술합니다. 반면 능동 학습(Active learning)은 인간이 레이블을 지정할 가장 유익한 예시를 선택하며, 전이 학습(Transfer learning)은 사전 학습된 지식을 대상 작업에 맞게 조정합니다.
공통적인 주요 과제는 파괴적 망각(Catastrophic forgetting)입니다. 최근 연구에는 2024년의 BECoTTA 연속 테스트 시간 적응, 2025년의 Ranked Entropy Minimization, 그리고 2026년의 PLASTIC 안정성-가소성 방법이 포함되며, 이들은 모델 붕괴나 이전 능력의 손실 없이 효율적인 적응을 탐구합니다. (proceedings.mlr.press)
Link to this section현재 모범 사례#
- 데이터 드리프트 모니터링: 입력 분포, 신뢰도, 정확도 및 클래스 빈도를 추적하십시오.
- 리플레이 데이터 보존: 망각을 줄이기 위해 대표적인 과거 샘플과 새로운 데이터를 혼합하십시오.
- 배포 전 검증: 업데이트된 모델을 안정적인 홀드아웃(holdout) 세트 및 최근 데이터 테스트 세트와 비교하십시오.
- 전체 워크플로 버전 관리: Ultralytics Platform을 사용하여 주석, 데이터셋, 학습, 배포 및 모니터링을 관리하십시오.
- 레이블 없는 드리프트 감지: 레이블이 늦게 도착할 경우, 정확도 측정을 기다리기보다 특성 분포와 예측 동작을 모니터링하십시오. (dfki.de)
