Licenciar o YOLO
Voltar ao glossário da Ultralytics

Latent Space

Um espaço latente é o espaço comprimido de características aprendidas onde uma rede neural coloca entradas semelhantes perto umas das outras; é utilizado para pesquisa e geração.

Um espaço latente é o espaço das representações internas aprendidas por um modelo de aprendizagem automática, no qual cada entrada se torna um ponto, normalmente com muito menos dimensões do que os dados em bruto, e as entradas com significado semelhante ficam próximas umas das outras. «Latente» significa oculto: as coordenadas não são medidas nos dados, mas inferidas pelo modelo durante o treino. Uma fotografia a cores de 640 x 640 contém 1,228,800 valores de píxeis; um modelo de imagem pode resumi-la num vetor com algumas centenas de números e, num espaço bem treinado, os vizinhos mais próximos de uma fotografia de um automóvel são outras fotografias de automóveis, enquanto as direções do espaço correspondem a propriedades como a pose, a cor ou o estilo.

Os espaços latentes funcionam porque os dados naturais são muito redundantes. A maioria das matrizes de píxeis possíveis parece ruído, e as imagens reais ocupam uma região estreita e curva do espaço de píxeis, uma ideia conhecida como a hipótese da variedade. Uma rede neuronal que aprenda coordenadas ao longo dessa região consegue descrever cada imagem com apenas alguns números.

Espaço latente, embeddings e mapas de características#

Um embedding é um único ponto num espaço latente — o vetor de uma imagem, palavra ou utilizador —, e o espaço latente é o conjunto de todos esses pontos e das distâncias entre eles; «espaço de embeddings» é um sinónimo. Os mapas de características dentro de uma rede convolucional são representações latentes espaciais, com um vetor em cada localização, que o modelo muitas vezes agrega num embedding por imagem. Os métodos de redução de dimensionalidade também produzem espaços latentes: a análise de componentes principais (PCA) encontra um espaço linear, e o t-SNE é utilizado sobretudo para projetar um espaço latente aprendido em duas dimensões e representá-lo num gráfico.

Como os modelos aprendem um espaço latente#

Um autoencoder aprende diretamente um espaço latente. O codificador comprime cada entrada num vetor curto, o descodificador reconstrói a entrada a partir desse vetor e a minimização do erro de reconstrução obriga o gargalo a reter as características que distinguem cada entrada das outras. Não são usados rótulos, mas o espaço resultante agrupa entradas semelhantes, algo que um classificador de k vizinhos mais próximos (KNN) consegue medir:

import torch
from sklearn.datasets import load_digits
from sklearn.neighbors import KNeighborsClassifier
from torch import nn

torch.manual_seed(0)
images, labels = load_digits(return_X_y=True)  # 1,797 handwritten digits, 8 x 8 = 64 pixels each
x = torch.tensor(images / 16, dtype=torch.float32)

# An autoencoder squeezes 64 pixels through an 8-number bottleneck: the latent space
encoder = nn.Sequential(nn.Linear(64, 32), nn.ReLU(), nn.Linear(32, 8))
decoder = nn.Sequential(nn.Linear(8, 32), nn.ReLU(), nn.Linear(32, 64))
optimizer = torch.optim.Adam([*encoder.parameters(), *decoder.parameters()], lr=0.01)
for _ in range(1000):
    loss = (decoder(encoder(x)) - x).square().mean()  # reconstruction error, no labels used
    optimizer.zero_grad()
    loss.backward()
    optimizer.step()

# Classify held-out digits by their nearest neighbors in each space
codes = encoder(x).detach().numpy()
for name, features in (("64 pixels", images), ("8 latent values", codes)):
    knn = KNeighborsClassifier().fit(features[:1400], labels[:1400])
    print(f"{name}: {knn.score(features[1400:], labels[1400:]):.2f} accuracy")

Imprime 64 pixels: 0.97 accuracy e 8 latent values: 0.93 accuracy. Oito números aprendidos por imagem preservam informação suficiente sobre a identidade do dígito para que a classificação pelos vizinhos mais próximos se aproxime dos resultados obtidos com os 64 píxeis, apesar de o autoencoder nunca ter visto um rótulo.

Introduzidos por Diederik Kingma e Max Welling em 2013, os autoencoders variacionais codificam cada entrada como uma distribuição em vez de um ponto, o que torna o espaço suficientemente suave para gerar novos dados a partir dele e interpolar entre exemplos. A aprendizagem contrastiva molda um espaço aproximando pares correspondentes e afastando os restantes; o CLIP é treinado com pares de imagem e legenda para que imagens e texto partilhem um espaço latente. As redes supervisionadas aprendem um espaço latente como consequência da tarefa. model.embed() no Ultralytics YOLO26 executa o modo de previsão e devolve um vetor por imagem, calculado pela média do mapa de características da camada anterior à cabeça de deteção em todas as posições espaciais; esta representação é adequada para agrupamento e pesquisa por semelhança.

O que permitem os espaços latentes#

A geração é mais barata num espaço compacto. Os modelos de difusão latente executam o processo de remoção de ruído dos modelos de difusão sobre representações latentes, em vez de píxeis. O Stable Diffusion, baseado no artigo sobre difusão latente, usa um autoencoder para comprimir uma imagem RGB de 512 x 512 numa representação latente de 64 x 64 x 4, com 48 vezes menos valores, tornando acessível a geração de alta resolução. As redes generativas adversariais (GANs) mapeiam vetores latentes aleatórios para imagens; por isso, percorrer o caminho entre dois pontos latentes transforma uma face gerada noutra.

A pesquisa e o reconhecimento funcionam através da medição de distâncias. Os sistemas de pesquisa semântica convertem documentos ou imagens em embeddings uma única vez, armazenam os vetores numa base de dados vetorial e devolvem os elementos com maior semelhança do cosseno em relação ao embedding da consulta. Num espaço partilhado de imagem e texto, como o do CLIP, a aprendizagem sem exemplos (zero-shot) classifica uma imagem pelo nome de classe cujo embedding de texto está mais próximo, sem imagens de treino dessa classe. Na deteção de anomalias, um autoencoder treinado apenas com peças normais reconstrói mal as peças defeituosas, e as entradas cujos embeddings ficam longe do grupo normal são assinaladas para inspeção.

As direções de um espaço bem organizado codificam atributos. Nos embeddings word2vec lançados em 2013 por Tomas Mikolov e colegas, um recurso fundamental do processamento de linguagem natural (NLP), o vetor de «rei» menos «homem» mais «mulher» fica mais próximo de «rainha».

Explore as soluções

Visão computacional no desporto

Visão computacional no desporto

Descubra como o Ultralytics YOLO impulsiona a visão computacional no esporte com rastreamento de jogadores e bolas, análise de desempenho, insights para treinadores e reabilitação de atletas.
Saiba mais
Visão computacional para imagens aéreas

Visão computacional para imagens aéreas

Transforma imagens de drones e aéreas em informações em tempo real para a agricultura, a aquacultura, a conservação e a análise geoespacial com Ultralytics YOLO.
Saiba mais
Visão computacional no setor aeroespacial

Visão computacional no setor aeroespacial

Aplica visão computacional na indústria aeroespacial com Ultralytics YOLO para inspecionar aeronaves, detetar objetos estranhos na pista (FOD), apoiar operações aeroportuárias em terra e detetar defeitos em materiais compósitos.
Saiba mais
Visão computacional na segurança

Visão computacional na segurança

Protege todas as instalações com os modelos Ultralytics YOLO. A IA visual permite monitorizar perímetros, detetar ameaças, reconhecer matrículas e melhorar a segurança no local de trabalho.
Saiba mais
Visão computacional na robótica

Visão computacional na robótica

Potencia máquinas mais inteligentes com os modelos Ultralytics YOLO. A IA visual na robótica permite navegação autónoma, perceção, rastreamento de objetos e controlo em tempo real.
Saiba mais
Visão computacional na logística

Visão computacional na logística

Otimize a logística com os modelos Ultralytics YOLO. A IA de visão permite inspecionar pacotes, fazer triagem, rastrear veículos e monitorar a segurança em tempo real nos armazéns.
Saiba mais
Visão computacional no varejo

Visão computacional no varejo

Reinvente o varejo com os modelos Ultralytics YOLO. A IA de visão permite rastrear o estoque, monitorar prateleiras, gerenciar filas e obter insights mais inteligentes sobre clientes.
Saiba mais
Visão computacional na área da saúde

Visão computacional na área da saúde

Desenvolva soluções de saúde com os modelos Ultralytics YOLO. A IA de visão na área da saúde permite obter imagens médicas mais rapidamente, diagnósticos mais inteligentes e monitoramento de pacientes.
Saiba mais
Visão computacional na manufatura

Visão computacional na manufatura

Otimize a manufatura com modelos Ultralytics YOLO. A IA visual impulsiona o controle de qualidade, a detecção de defeitos, a conformidade com o uso de EPI e a automação da linha de montagem.
Saiba mais
Visão computacional no setor automotivo

Visão computacional no setor automotivo

Aplique visão computacional no setor automotivo com modelos Ultralytics YOLO. A IA visual aumenta a segurança viária, aprimora a assistência ao condutor e viabiliza a automação de veículos para estradas mais inteligentes.
Saiba mais
Visão computacional na agricultura

Visão computacional na agricultura

Leve a IA de visão à agricultura inteligente com os modelos Ultralytics YOLO. Aprimore o monitoramento de plantações, o rastreamento de animais e a agricultura de precisão para obter safras maiores e mais inteligentes.
Saiba mais

Vamos construir juntos o futuro da IA!

Comece sua jornada rumo ao futuro do aprendizado de máquina