Aprendizado Ativo

A aprendizagem ativa é uma abordagem dinâmica na aprendizagem automática (ML) concebida para otimizar o processo de formação, escolhendo seletivamente os pontos de dados mais informativos para anotação. Na aprendizagem supervisionada Na aprendizagem supervisionada padrão, um modelo é alimentado passivamente com um grande conjunto de dados pré-rotulados, o que pode ser ineficiente e dispendioso se os dados incluir exemplos redundantes ou pouco informativos. A aprendizagem ativa muda este paradigma ao permitir que o modelo consultar interactivamente uma fonte de informação - frequentemente um perito humano ou "oráculo" - para solicitar rótulos para instâncias específicas e ambíguas, específicos e ambíguos. Esta estratégia direcionada reduz significativamente a quantidade de dados de treino necessários para atingir uma precisão, tornando-a ideal para projectos com orçamentos orçamentos limitados ou restrições de tempo rigorosas.

O Ciclo de Aprendizagem Ativa

O processo de aprendizagem ativa funciona como um ciclo iterativo, frequentemente descrito como um fluxo de trabalho humano no circuito. Este ciclo ciclo assegura que o esforço humano se concentra apenas nos dados que mais contribuem para a melhoria do modelo. O fluxo de trabalho típico envolve:

1. Inicialização: Um modelo, como Ultralytics YOLO11é treinado num pequeno conjunto de dados inicialmente rotulado.
2. Consulta: O modelo executa previsões num grande conjunto de dados não rotulados. Utilizando uma estratégia de consulta, ele identifica amostras em que a sua confiança é baixa ou onde as previsões são incertas.
3. Anotação: Estas amostras "incertas" de alta prioridade são enviadas a um anotador humano para rotulagem.
4. Atualização: As amostras recém-rotuladas são adicionadas ao conjunto de treino e o processo de treino do modelo é repetido para aperfeiçoar o algoritmo.

A eficácia deste método depende em grande medida da estratégia de amostragem. A amostragem da incerteza é a técnica mais comum, em que o algoritmo seleciona as instâncias mais próximas do seu limite de decisão. Para mais pormenores sobre estas estratégias estão disponíveis em vários estudos bibliográficos sobre aprendizagem ativa.

Exemplo Python : Amostragem de incerteza com YOLO11

O seguinte trecho de código demonstra como implementar um loop básico de amostragem de incerteza. Ele carrega um modelo, faz previsões em imagens e identifica aquelas com detecções de baixa confiança, marcando-as para revisão manual.

from ultralytics import YOLO

# Load a pre-trained YOLO11 model
model = YOLO("yolo11n.pt")

# Run inference on a list or directory of unlabeled images
results = model.predict(["image1.jpg", "image2.jpg"])

# Identify images where the model is uncertain
uncertain_samples = []
for result in results:
    # Check if detections exist and if the maximum confidence is below a threshold
    if result.boxes.conf.numel() > 0 and result.boxes.conf.max() < 0.6:
        uncertain_samples.append(result.path)
        print(f"Flagging {result.path} for manual labeling.")

print(f"Total uncertain images found: {len(uncertain_samples)}")

Aplicações no Mundo Real

A aprendizagem ativa é particularmente valiosa nos domínios em que a etiquetagem de dados é dispendiosa ou requer especializada.

• Análise de imagens médicas: No sector da saúde, a obtenção de dados rotulados para tarefas como deteção de tumores cerebrais requer frequentemente o tempo de radiologistas altamente qualificados. Em vez de etiquetar milhares de exames de rotina, os sistemas de aprendizagem ativa podem identificar anomalias raras ou ambíguas para análise por peritos. A investigação em segmentação de imagens biomédicas demonstrou que esta A investigação na segmentação de imagens biomédicas demonstrou que esta abordagem pode reduzir drasticamente os esforços de anotação, mantendo a precisão do diagnóstico.
• Veículos autónomos: Os veículos autónomos recolhem grandes quantidades de dados de vídeo. A etiquetagem de cada fotograma é impraticável. Aprendizagem ativa ajuda os engenheiros a encontrar "casos extremos" - tais como condições climatéricas invulgares ou peões em trajes - que o que o atual modelo de deteção de objectos tem dificuldade em classify. Ao dar prioridade a estes cenários difíceis, empresas como a NVIDIA melhoram a segurança e a robustez dos seus sistemas de perceção.

Distinção de conceitos relacionados

Embora a aprendizagem ativa envolva a utilização de dados não rotulados, é distinta de outros paradigmas de aprendizagem automática:

• Aprendizagem Semi-Supervisionada: Este método utiliza dados etiquetados e não etiquetados durante a formação, mas normalmente fá-lo de forma passiva. Baseia-se frequentemente baseia-se em suposições sobre a distribuição de dados para propagar etiquetas, enquanto a aprendizagem ativa procura explicitamente novas informação.
• Aprendizagem auto-supervisionada: Nesta abordagem, o modelo cria os seus próprios sinais de supervisão a partir da estrutura de dados (por exemplo, prever uma parte de uma imagem em falta). Não requer interação humana para gerar etiquetas para a parte não etiquetada, uma área de investigação em laboratórios como o Google AI.
• Aprendizagem por reforço: Trata-se de um agente que aprende a tomar decisões ao receber recompensas ou penalizações de um ambiente. Ao contrário da aprendizagem ativa, que procura etiquetas estáticas para os pontos de dados, a aprendizagem por reforço centra-se na otimização de uma sequência de acções.

Integração em MLOps

A implementação da aprendizagem ativa requer um sistema robusto de operações de aprendizagem automática (MLOps) para gerir o fluxo de dados entre o modelo, o conjunto de dados e a interface de anotação. As ferramentas que suportam o controlo são essenciais para controlar as amostras que foram consultadas. Embora as bibliotecas de uso geral como o scikit-learn oferecem alguma utilidade, os fluxos de trabalho de visão por computador requerem frequentemente uma integração personalizada com conjuntos de dados de imagens para visualizar e anotar as imagens selecionadas selecionadas de forma eficaz. Os utilizadores avançados podem explorar o repositório repositórioUltralytics GitHub para ver como os resultados da previsão podem ser estruturados para alimentar estes circuitos de curadoria de dados.