A aprendizagem ativa acelera o desenvolvimento de visão computacional

Treinar um modelo de visão computacional é muito parecido com ensinar uma criança a reconhecer cores. Primeiro, precisarias de uma coleção de objetos coloridos. Depois, orientarias a criança a identificar corretamente cada cor, uma tarefa que costuma ser demorada e repetitiva.

Tal como uma criança precisa de muitos exemplos para aprender, um modelo de visão precisa de um grande conjunto de dados anotados para reconhecer padrões e objetos em imagens. No entanto, anotar grandes quantidades de dados exige muito tempo e esforço, sem mencionar os recursos necessários. Técnicas como a aprendizagem ativa podem ajudar a simplificar este processo.

A aprendizagem ativa é um processo passo a passo no qual os dados mais importantes de um grande conjunto de dados são selecionados e anotados. O modelo aprende com esses dados anotados, tornando-se mais preciso e eficaz. Ao concentrares-te apenas nos dados mais valiosos, reduzes a quantidade de anotações necessárias e aceleras o desenvolvimento do modelo.

Neste artigo, veremos como a aprendizagem ativa ajuda no treino de modelos, reduz os custos de anotação e melhora a precisão geral do modelo.

Não é fácil criar conjuntos de dados de imagens#

Os conjuntos de dados são a base dos modelos de visão computacional e de aprendizagem profunda. Conjuntos de dados populares como o ImageNet oferecem milhões de imagens com categorias de objetos diversificadas. No entanto, criar e manter volumes tão grandes de conjuntos de dados de alta qualidade apresenta vários desafios.

Por exemplo, recolher e anotar dados exige tempo, recursos e anotadores qualificados, o que torna o processo desafiante dependendo da aplicação específica. São necessárias soluções inovadoras e mais eficientes para acompanhar a procura crescente por conjuntos de dados de imagens, e é exatamente isso que a aprendizagem ativa procura resolver.

A aprendizagem ativa oferece uma solução ideal ao otimizar o processo de anotação de dados. Ao selecionar estrategicamente os pontos de dados mais informativos para anotação, a aprendizagem ativa maximiza o desempenho do modelo e minimiza os esforços de anotação.

O que é a aprendizagem ativa?#

A aprendizagem ativa é uma técnica iterativa de aprendizagem automática na qual o modelo seleciona os pontos de dados mais importantes para anotar a partir de um grande conjunto de dados não anotados. Esses pontos de dados selecionados são anotados manualmente e adicionados ao conjunto de dados de treino.

O modelo é então novamente treinado com o conjunto de dados atualizado e seleciona o próximo conjunto de pontos de dados a anotar. Este processo repete-se, com o modelo a melhorar continuamente ao concentrar-se nos pontos de dados mais informativos. O ciclo continua até o modelo atingir a precisão pretendida ou cumprir os critérios de anotação definidos previamente.

Fig. 1 Uma visão geral da aprendizagem ativa.

Compreender como funciona a aprendizagem ativa#

Podes estar a perguntar-te como a técnica de aprendizagem ativa decide quais pontos de dados precisam de anotação manual e quais devem ser anotados a seguir. Vamos compreender como funciona a aprendizagem ativa comparando-a com o estudo para um teste: concentras-te nos temas sobre os quais tens dúvidas e também garantires que abranges várias disciplinas para estares bem preparado.

Nos processos iniciais de seleção de dados, a aprendizagem ativa utiliza estratégias como a amostragem por incerteza e a amostragem baseada na diversidade. A amostragem por incerteza dá prioridade aos pontos de dados em que o modelo tem menos confiança nas suas previsões, com o objetivo de melhorar a precisão em casos difíceis. A amostragem baseada na diversidade seleciona pontos de dados que abrangem uma ampla variedade de características, garantindo que o modelo generaliza bem para dados não vistos ao ser exposto a exemplos diversificados.

Fig. 2 Amostragem por incerteza (à esquerda) e amostragem baseada na diversidade (à direita).

Após a seleção inicial de dados, a aprendizagem ativa utiliza duas abordagens principais para a anotação: amostragem baseada em pool e amostragem baseada em fluxo. São semelhantes à forma como um professor ajuda um aluno a concentrar-se no que é mais importante.

Na amostragem baseada em pool, o modelo analisa um grande conjunto de dados não anotados e seleciona os exemplos mais difíceis ou informativos para anotar, tal como um aluno dá prioridade aos cartões de estudo que considera mais difíceis. Na amostragem baseada em fluxo, o modelo processa os dados à medida que chegam, decidindo se deve anotá-los ou ignorá-los, de forma semelhante a um aluno que pede ajuda apenas quando fica bloqueado. Em ambos os casos, os dados anotados são adicionados ao conjunto de treino e o modelo volta a treinar-se, melhorando progressivamente a cada iteração.

Explorar aplicações da aprendizagem ativa#

A aprendizagem ativa desempenha um papel fundamental em aplicações de visão computacional, como imagiologia médica e condução autónoma, ao melhorar a precisão dos modelos e simplificar o processo de anotação de dados. Um exemplo interessante são os modelos de visão computacional utilizados em carros autónomos para detetar peões ou objetos em condições de pouca luz ou nevoeiro. A aprendizagem ativa pode melhorar a precisão ao concentrar-se em cenários de condução diversificados e difíceis.

Especificamente, a aprendizagem ativa pode ser utilizada para identificar dados ou frames incertos desses cenários e selecioná-los para anotação. Adicionar estes exemplos anotados ao conjunto de treino ajuda o modelo a reconhecer melhor peões e objetos em ambientes difíceis, como durante condições meteorológicas adversas ou condução noturna.

Por exemplo, a NVIDIA utilizou a aprendizagem ativa para melhorar a deteção de peões à noite nos seus modelos de condução autónoma. Ao selecionar estrategicamente os dados mais informativos para o treino, sobretudo em cenários difíceis, o desempenho do modelo aumenta substancialmente.

Fig. 3 Deteção de um peão com um guarda-chuva utilizando aprendizagem ativa.

A aprendizagem ativa pode reduzir os custos de anotação#

Outro aspeto importante da aprendizagem ativa é o seu potencial para reduzir os custos de anotação. Consegue fazê-lo ao concentrar-se apenas nos pontos de dados mais importantes, em vez de exigir anotações para todo o conjunto de dados. Esta abordagem direcionada poupa tempo, esforço e dinheiro. Ao focar-se em amostras incertas ou diversificadas, a aprendizagem ativa reduz o número de anotações necessárias, mantendo uma elevada precisão do modelo.

De facto, a investigação mostra que a aprendizagem ativa pode reduzir os custos de anotação em 40–60% sem sacrificar o desempenho. Isto é especialmente útil em setores como os cuidados de saúde e a indústria transformadora, onde a anotação de dados é dispendiosa. Ao simplificar o processo de anotação, a aprendizagem ativa ajuda as empresas a desenvolver modelos mais rapidamente e a implementá-los de forma mais eficiente, mantendo a precisão.

Benefícios da aprendizagem ativa#

Eis algumas das outras vantagens importantes que a aprendizagem ativa pode oferecer:

• Resolver o desequilíbrio entre classes: a aprendizagem ativa pode ajudar a resolver problemas de desequilíbrio entre classes ao anotar instâncias de classes de dados minoritárias. O modelo pode ter um desempenho melhor em cenários raros com dados limitados.
• Ciclos de desenvolvimento mais rápidos: anotar menos dados significa acelerar indiretamente o processo de desenvolvimento de modelos de aprendizagem automática e visão computacional, permitindo dedicar mais tempo e recursos a iterações e experiências adicionais.
• Adaptabilidade: pode melhorar continuamente os dados de treino ao iterar sobre amostras incertas ou casos-limite, tornando-se adequada para conjuntos de dados dinâmicos ou em evolução.

A aprendizagem ativa e o AutoML podem trabalhar em conjunto#

A aprendizagem automática (AutoML) centra-se na automatização das tarefas demoradas e iterativas envolvidas na criação e implementação de modelos de aprendizagem automática. Simplifica os fluxos de trabalho de aprendizagem automática ao automatizar tarefas como a seleção de modelos e a avaliação do desempenho, reduzindo a necessidade de trabalho manual.

Quando integrado com a aprendizagem ativa, o AutoML pode acelerar e otimizar o ciclo de vida de desenvolvimento do modelo. O componente de aprendizagem ativa seleciona estrategicamente os pontos de dados mais informativos para anotação, enquanto o AutoML aperfeiçoa o modelo ao automatizar a escolha da arquitetura, dos parâmetros e do ajuste.

Fig. 4 Fluxo de trabalho do AutoML.

Vamos compreender esta combinação de tecnologias através de um exemplo.

Imagina que estás a tentar detetar condições raras em imagiologia médica (um caso de utilização em que os conjuntos de dados anotados são limitados e dispendiosos de obter). A aprendizagem ativa pode identificar e selecionar dados incertos, como alterações subtis em imagens de raios X, que o modelo não consegue classificar. Em seguida, os dados incertos podem ser priorizados para anotação manual, de modo a melhorar a compreensão do modelo.

Com os dados anotados, o AutoML pode otimizar o modelo explorando várias arquiteturas, hiperparâmetros e outras técnicas de aumento de dados. O processo iterativo acelera o desenvolvimento de modelos de visão fiáveis, como o Ultralytics YOLO11, que ajudam os profissionais de saúde a fazer diagnósticos precisos.

Desafios da aprendizagem ativa#

A aprendizagem ativa e as suas técnicas oferecem inúmeras vantagens, mas há alguns aspetos a ter em conta ao implementar estas estratégias:

• Seleção da estratégia de consulta: a aprendizagem ativa envolve muitas técnicas, e escolher o melhor método tem um impacto significativo na eficácia do modelo. Selecionar uma estratégia inadequada pode reduzir o desempenho do modelo numa aplicação específica.
• Custos de novo treino: a natureza iterativa da aprendizagem ativa exige recursos computacionais dispendiosos, especialmente para grandes conjuntos de dados. O modelo é novamente treinado após cada ronda de anotação, aumentando a sua complexidade.
• Qualidade do modelo inicial: a eficácia da aprendizagem ativa depende da qualidade do modelo inicial. Um modelo inicial com mau desempenho pode não identificar com precisão os pontos de dados informativos, levando a pedidos de anotação inadequados e a uma redução do desempenho geral.

O futuro da aprendizagem ativa e do AutoML#

Com os avanços recentes em IA e visão computacional, a aprendizagem ativa está preparada para enfrentar desafios mais complexos e simplificar os fluxos de trabalho de aprendizagem automática. Combinar a aprendizagem ativa com técnicas como aprendizagem federada e aprendizagem auto-supervisionada pode melhorar ainda mais a eficiência e a escalabilidade dos modelos de visão.

A aprendizagem federada permite treinar um modelo em vários dispositivos ou servidores através de uma arquitetura distribuída, sem exigir que os dados deixem a sua localização original. Considera setores como os cuidados de saúde, onde a privacidade dos dados é importante: a aprendizagem federada torna possível treinar diretamente com dados locais sensíveis, mantendo-os protegidos. Em vez de partilhar dados em bruto, partilham-se apenas atualizações ou informações do modelo, garantindo que as informações privadas permanecem protegidas e contribuem simultaneamente para o processo de treino.

Entretanto, a aprendizagem auto-supervisionada ajuda a reduzir a necessidade de dados anotados ao pré-treinar modelos com dados não anotados. Este processo cria uma base sólida para o modelo. A aprendizagem ativa pode então desenvolver-se a partir daí, identificando e selecionando os pontos de dados mais importantes para anotação humana e aperfeiçoando ainda mais o modelo.

Da aprendizagem ativa ao impacto ativo#

A aprendizagem ativa oferece uma forma prática de enfrentar desafios importantes na visão computacional, como o elevado custo da anotação de dados e a necessidade de modelos mais precisos. Ao concentrar-se na anotação apenas dos pontos de dados mais valiosos, reduz o esforço necessário por parte das pessoas e melhora simultaneamente o desempenho do modelo.

Quando combinada com tecnologias como o AutoML, a aprendizagem ativa simplifica o desenvolvimento de modelos ao automatizar tarefas demoradas. À medida que os avanços continuam, a aprendizagem ativa está preparada para se tornar uma ferramenta essencial na criação de sistemas de visão computacional mais inteligentes e eficientes.

Explora o nosso repositório do GitHub e junta-te à nossa comunidade para saberes mais sobre IA e modelos de visão computacional. Descobre mais aplicações de visão computacional na indústria transformadora e nos cuidados de saúde nas nossas páginas de soluções. Também podes consultar as nossas opções de licenciamento para começares hoje a tua jornada em IA para visão computacional.