Active learning acelera o desenvolvimento de visão computacional

Treinar um modelo de visão computacional é muito parecido com ensinar uma criança a reconhecer cores. Primeiro, você precisaria de uma coleção de objetos coloridos. Depois, você orientaria a criança a identificar corretamente cada cor, uma tarefa que geralmente consome muito tempo e é repetitiva.

Assim como uma criança precisa de muitos exemplos para aprender, um modelo de visão precisa de um grande conjunto de dados rotulados para reconhecer padrões e objetos em imagens. No entanto, rotular grandes quantidades de dados exige muito tempo e esforço, sem mencionar os recursos. Técnicas como o aprendizado ativo podem ajudar a simplificar esse processo.

Aprendizado ativo é um processo passo a passo onde os dados mais importantes de um grande conjunto são selecionados e rotulados. O modelo aprende com esses dados rotulados, tornando-se mais preciso e eficaz. Focar apenas nos dados mais valiosos reduz a quantidade de rotulagem necessária e acelera o desenvolvimento do modelo.

Neste artigo, veremos como o aprendizado ativo ajuda no treinamento de modelos, reduz os custos de rotulagem e melhora a precisão geral do modelo.

Link to this sectionConjuntos de dados de imagem não são fáceis de construir#

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

Por exemplo, coletar e rotular dados exige tempo, recursos e anotadores qualificados, tornando o processo desafiador dependendo da aplicação específica. Soluções inovadoras e mais eficientes são necessárias para acompanhar a crescente demanda por conjuntos de dados de imagem, e é exatamente isso que o aprendizado ativo visa resolver.

O aprendizado ativo oferece uma solução perfeita ao otimizar o processo de rotulagem de dados. Ao selecionar estrategicamente os pontos de dados mais informativos para anotação, o aprendizado ativo maximiza o desempenho do modelo enquanto minimiza os esforços de rotulagem.

Link to this sectionO que é aprendizado ativo?#

O aprendizado ativo é uma técnica iterativa de aprendizado de máquina onde o modelo seleciona os pontos de dados mais importantes para rotular a partir de um grande conjunto de dados não rotulados. Esses pontos de dados selecionados são rotulados manualmente e adicionados ao conjunto de dados de treinamento.

O modelo é então retreinado no conjunto de dados atualizado e seleciona o próximo conjunto de pontos de dados para rotular. Esse processo se repete, com o modelo melhorando continuamente ao focar nos pontos de dados mais informativos. O ciclo continua até que o modelo atinja a precisão desejada ou cumpra os critérios de rotulagem definidos com antecedência.

Fig 1. Uma visão geral do aprendizado ativo.

Link to this sectionEntendendo como o aprendizado ativo funciona#

Você pode estar se perguntando como a técnica de aprendizado ativo decide quais pontos de dados precisam de rotulagem manual e quais rotular a seguir. Vamos entender como o aprendizado ativo funciona comparando-o ao estudo para um teste - você se concentra em tópicos sobre os quais não tem certeza e também garante a cobertura de uma variedade de assuntos para estar bem preparado.

Para o conjunto inicial de processos de seleção de dados, o aprendizado ativo usa estratégias como amostragem por incerteza e amostragem baseada em diversidade. A amostragem por incerteza prioriza pontos de dados onde o modelo está menos confiante em suas previsões, visando melhorar a precisão em casos desafiadores. A amostragem baseada em diversidade seleciona pontos de dados que cobrem uma ampla gama de características, garantindo que o modelo generalize bem para dados não vistos, expondo-o a exemplos diversos.

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

Após a seleção inicial de dados, o aprendizado ativo utiliza duas abordagens principais para rotulagem: amostragem baseada em pool e amostragem baseada em fluxo. Elas são semelhantes à forma como um professor ajuda um aluno a focar no que é mais importante.

Na amostragem baseada em pool, o modelo analisa um grande conjunto de dados não rotulados e seleciona os exemplos mais desafiadores ou informativos para rotular, muito parecido com um aluno priorizando os flashcards que considera mais difíceis. Em relação à amostragem baseada em fluxo, o modelo processa os dados conforme eles chegam, decidindo se os rotula ou pula, semelhante a um aluno que pede ajuda apenas quando está travado. Em ambos os casos, os dados rotulados são adicionados ao conjunto de treinamento, e o modelo se retreina, melhorando continuamente a cada iteração.

Link to this sectionExplorando aplicações do aprendizado ativo#

O aprendizado ativo desempenha um papel fundamental em aplicações de visão computacional, como imagens médicas e direção autônoma, melhorando a precisão do modelo e simplificando o processo de rotulagem de dados. Um exemplo interessante disso são os modelos de visão computacional usados em carros autônomos para detectar pedestres ou objetos em condições de pouca luz ou neblina. O aprendizado ativo pode aumentar a precisão ao focar em cenários de direção diversos e desafiadores.

Especificamente, o aprendizado ativo pode ser usado para identificar dados incertos ou quadros desses cenários para rotulagem seletiva. Adicionar esses exemplos rotulados ao conjunto de treinamento faz com que o modelo reconheça melhor pedestres e objetos em ambientes difíceis, como durante condições climáticas adversas ou direção noturna.

Por exemplo, a NVIDIA usou o aprendizado ativo para melhorar a detecção de pedestres à noite em seus modelos de direção autônoma. Ao selecionar estrategicamente os dados mais informativos para treinamento, particularmente em cenários desafiadores, o desempenho do modelo aumenta substancialmente.

Fig 3. Detectando um pedestre com um guarda-chuva usando aprendizado ativo.

Link to this sectionO aprendizado ativo pode reduzir os custos de rotulagem#

Outro aspecto fundamental do aprendizado ativo é seu potencial para reduzir os custos de rotulagem. Ele faz isso focando apenas nos pontos de dados mais importantes, em vez de exigir anotações para todo o conjunto de dados. Essa abordagem direcionada economiza tempo, esforço e dinheiro. Ao focar em amostras incertas ou diversas, o aprendizado ativo reduz o número de anotações necessárias enquanto mantém uma alta precisão do modelo.

Na verdade, pesquisas mostram que o aprendizado ativo pode reduzir os custos de rotulagem em 40-60% sem sacrificar o desempenho. Isso é especialmente útil em setores como saúde e manufatura, onde a rotulagem de dados é cara. Ao simplificar o processo de anotação, o aprendizado ativo ajuda as empresas a desenvolver modelos mais rapidamente e implantá-los com mais eficiência, mantendo a precisão.

Link to this sectionBenefícios do aprendizado ativo#

Aqui estão algumas das outras principais vantagens que o aprendizado ativo pode oferecer:

• Abordar o desequilíbrio de classes: O aprendizado ativo pode ajudar a lidar com problemas de desequilíbrio de classes ao rotular instâncias de classes de dados minoritárias. O modelo pode ter um desempenho melhor em cenários raros com dados limitados.
• Ciclos de desenvolvimento mais rápidos: Rotular menos dados significa indiretamente acelerar o processo de desenvolvimento de modelos de aprendizado de máquina e visão computacional, permitindo mais tempo e recursos para iterações e experimentos adicionais.
• Adaptabilidade: Ele pode melhorar continuamente os dados de treinamento iterando sobre amostras incertas ou de casos extremos, tornando-o bem adequado para conjuntos de dados dinâmicos ou em evolução.

Link to this sectionAprendizado ativo e AutoML podem trabalhar juntos#

Aprendizado de Máquina Automatizado (AutoML) foca na automação das tarefas demoradas e iterativas envolvidas na construção e implantação de modelos de aprendizado de máquina. Ele simplifica os fluxos de trabalho de aprendizado de máquina ao automatizar tarefas como seleção de modelos e avaliação de desempenho para reduzir a necessidade de esforço manual.

Quando integrado ao aprendizado ativo, o AutoML pode acelerar e otimizar o ciclo de vida de desenvolvimento do modelo. O componente de aprendizado ativo seleciona estrategicamente os pontos de dados mais informativos para rotulagem, enquanto o AutoML refina o modelo automatizando a escolha da arquitetura, parâmetros e ajuste.

Fig 4. Fluxo de trabalho do AutoML.

Vamos entender essa combinação de tecnologias com um exemplo.

Digamos que você esteja tentando detectar condições raras em imagens médicas (um caso de uso em que conjuntos de dados rotulados são limitados e caros de obter). O aprendizado ativo pode identificar e selecionar dados incertos, como mudanças sutis em imagens de raios-X, que o modelo não consegue classificar. Então, os dados incertos podem ser priorizados para anotação manual para 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 confiáveis como o Ultralytics YOLO11 que ajudam profissionais de saúde a fazer diagnósticos precisos.

Link to this sectionDesafios do aprendizado ativo#

O aprendizado ativo e suas técnicas oferecem inúmeras vantagens, mas há algumas considerações a ter em mente ao implementar essas estratégias:

• Seleção da estratégia de consulta: O aprendizado ativo envolve muitas técnicas, e escolher o melhor método impacta significativamente a eficácia do modelo. Selecionar uma estratégia inadequada pode reduzir o desempenho do modelo para uma aplicação específica.
• Custos de retreinamento: A natureza iterativa do aprendizado ativo requer recursos computacionais caros, especialmente para grandes conjuntos de dados. O modelo é retreinado após cada rodada de rotulagem, aumentando sua complexidade.
• Qualidade inicial do modelo: A eficácia do aprendizado ativo depende da qualidade do modelo inicial. Um modelo inicial com baixo desempenho pode não identificar com precisão os pontos de dados informativos, levando a solicitações de rotulagem de qualidade inferior e redução do desempenho geral.

Link to this sectionO caminho a seguir para o aprendizado ativo e AutoML#

Com os recentes avanços em IA e visão computacional, o aprendizado ativo está preparado para enfrentar desafios mais complexos e simplificar os fluxos de trabalho de aprendizado de máquina. Combinar o aprendizado ativo com técnicas como aprendizado federado e aprendizado autossupervisionado pode aumentar ainda mais a eficiência e a escalabilidade dos modelos de visão.

Aprendizado federado permite que um modelo seja treinado em vários dispositivos ou servidores com uma estrutura distribuída sem exigir que os dados saiam de sua localização original. Considere setores como saúde, onde a privacidade dos dados é importante; o aprendizado federado torna possível treinar diretamente em dados locais confidenciais enquanto os mantém seguros. Em vez de compartilhar dados brutos, apenas atualizações do modelo ou insights são compartilhados, garantindo que informações privadas permaneçam protegidas enquanto ainda contribuem para o processo de treinamento.

Enquanto isso, o aprendizado autossupervisionado ajuda a reduzir a necessidade de dados rotulados pré-treinando modelos em dados não rotulados. Esse processo cria uma base sólida para o modelo. O aprendizado ativo pode então construir sobre isso identificando e selecionando os pontos de dados mais importantes para anotação humana, refinando ainda mais o modelo.

Link to this sectionDo aprendizado ativo ao impacto ativo#

O aprendizado ativo fornece uma maneira prática de enfrentar os principais desafios da visão computacional, como o alto custo da anotação de dados e a necessidade de modelos mais precisos. Ao focar na rotulagem apenas dos pontos de dados mais valiosos, ele reduz o esforço exigido dos humanos enquanto impulsiona o desempenho do modelo.

Quando combinado com tecnologias como AutoML, o aprendizado ativo simplifica o desenvolvimento do modelo ao automatizar tarefas demoradas. À medida que os avanços continuam, o aprendizado ativo está preparado para se tornar uma ferramenta essencial para a construção de sistemas de visão computacional mais inteligentes e eficientes.

Explore nosso repositório GitHub e junte-se à nossa comunidade para saber mais sobre IA e modelos de visão computacional. Descubra mais aplicações de visão computacional na manufatura e saúde em nossas páginas de soluções. Você também pode conferir nossas opções de licenciamento para começar sua jornada em IA de visão hoje mesmo.