Active Learning

A aprendizagem ativa é uma abordagem estratégica em aprendizagem automática (ML) na qual o algoritmo seleciona proativamente os pontos de dados mais informativos para anotação, em vez de aceitar passivamente um conjunto de dados pré-anotado. Na aprendizagem supervisionada tradicional, os modelos exigem frequentemente grandes quantidades de dados anotados, cuja criação pode ser dispendiosa e demorada. A aprendizagem ativa otimiza este processo ao identificar exemplos "incertos" ou "difíceis" — aqueles próximos do limite de decisão ou relativamente aos quais o modelo tem pouca confiança — e ao solicitar aos anotadores humanos que anotem apenas essas instâncias específicas. Este ciclo iterativo permite que os modelos alcancem uma elevada precisão com significativamente menos amostras anotadas, tornando-o altamente eficiente para projetos com orçamentos limitados ou restrições de tempo.

Como funciona o ciclo de aprendizagem ativa#

O núcleo da aprendizagem ativa é um ciclo de feedback frequentemente designado por humano no circuito. Em vez de treinar uma única vez com um conjunto de dados estático, o modelo evolui através de ciclos de consulta e atualização.

1. Inicialização: o processo começa com um pequeno conjunto de dados de treino anotados, utilizado para treinar um modelo inicial, como o Ultralytics YOLO26.

2. Seleção de consultas: o modelo avalia um grande conjunto de dados não anotados. Utilizando uma estratégia de consulta — normalmente, a amostragem por incerteza — seleciona as imagens ou os textos relativamente aos quais as suas previsões têm menor confiança.

3. Anotação: estas amostras prioritárias são enviadas a um especialista humano, frequentemente designado por "oráculo" na literatura sobre aprendizagem ativa, para anotação de dados.

4. Novo treino: os dados recentemente anotados são adicionados ao conjunto de treino e o modelo é treinado novamente. Este modelo atualizado fica então mais bem preparado para selecionar o lote seguinte de amostras difíceis de classificar.

Aplicações no mundo real#

A aprendizagem ativa é indispensável em setores onde os dados são abundantes, mas a anotação exige conhecimentos especializados ou custos elevados.

• Análise de imagens médicas: em áreas como a radiologia, a anotação exige especialistas certificados, cujo tempo é extremamente valioso. Em vez de pedir a um médico que anote milhares de exames inequívocos, um sistema de aprendizagem ativa pode filtrar casos ambíguos — como tumores em fase inicial ou anomalias raras — permitindo que o especialista se concentre apenas nas imagens que melhoram verdadeiramente a capacidade de diagnóstico do modelo.
• Veículos autónomos: os veículos autónomos geram petabytes de dados de vídeo. É impossível anotar todos os fotogramas. A aprendizagem ativa ajuda os engenheiros a identificar casos-limite, como peões a usar disfarces ou a conduzir com neve intensa, que os modelos padrão de deteção de objetos podem não detetar. Ao dar prioridade a estes cenários raros, as empresas melhoram a segurança sem desperdiçar recursos com imagens repetitivas de autoestradas.

Exemplo em Python: filtrar previsões incertas#

O exemplo seguinte demonstra uma lógica simples de "amostragem por incerteza" utilizando o Ultralytics YOLO26. Carregamos um modelo, executamos inferência em imagens e assinalamos aquelas cuja pontuação de confiança está abaixo de um determinado limiar para revisão manual.

from ultralytics import YOLO

# Load the latest YOLO26 model
model = YOLO("yolo26n.pt")

# List of unlabeled image paths
unlabeled_images = ["https://ultralytics.com/images/bus.jpg", "https://ultralytics.com/images/zidane.jpg"]

# Run inference
results = model(unlabeled_images)

# Identify samples with low confidence for active learning
uncertain_threshold = 0.6
for result in results:
    # Check if any detection confidence is below the threshold
    if result.boxes.conf.numel() > 0 and result.boxes.conf.min() < uncertain_threshold:
        print(f"Active Learning Query: {result.path} needs human labeling.")

Distinguir conceitos relacionados#

É importante distinguir a aprendizagem ativa de paradigmas de treino semelhantes:

• Aprendizagem semissupervisionada: embora ambos os métodos utilizem dados não anotados, a aprendizagem semissupervisionada atribui automaticamente pseudorótulos aos dados com base nas previsões de alta confiança do modelo. Em contrapartida, a aprendizagem ativa solicita explicitamente contributos humanos para previsões de baixa confiança.
• Aprendizagem por transferência: isto envolve utilizar um modelo pré-treinado, como um treinado com ImageNet, e adaptá-lo a uma nova tarefa. A aprendizagem ativa concentra-se em quais dados devem ser anotados, enquanto a aprendizagem por transferência se concentra em reutilizar as características aprendidas.
• Aprendizagem por reforço: neste caso, um agente aprende ao interagir com um ambiente e receber recompensas. A aprendizagem ativa é diferente porque procura rótulos estáticos de verdade de referência junto de um oráculo, em vez de otimizar uma sequência de ações para obter uma recompensa.

Integração com MLOps#

Implementar a aprendizagem ativa de forma eficaz exige um pipeline robusto de Operações de Aprendizagem Automática (MLOps). Precisas de uma infraestrutura para gerir o versionamento dos dados, acionar tarefas de novo treino e disponibilizar a interface de anotação aos utilizadores. As ferramentas que se integram com o ecossistema Ultralytics permitem aos utilizadores passar facilmente entre inferência, curadoria de dados e treino. Por exemplo, a utilização de scripts de treino personalizados permite aos programadores incorporar rapidamente novos lotes de dados de aprendizagem ativa nos seus modelos YOLO.

Para obter mais informações sobre estratégias de amostragem, os investigadores consultam frequentemente estudos abrangentes na literatura sobre aprendizagem ativa. Além disso, compreender as métricas de avaliação de modelos é essencial para verificar se o ciclo de aprendizagem ativa está efetivamente a melhorar o desempenho.