Ensemble de Modelos

Um conjunto de modelos é uma técnica sofisticada de aprendizagem automática (ML) em que as previsões de vários modelos independentes são combinadas para gerar um resultado final único e superior. Em vez de se basear na capacidade de decisão de um algoritmo, um conjunto aproveita o princípio da "sabedoria da multidão" para melhorar a precisão e a estabilidade globais. Ao agregar os resultados resultados de diversos modelos, os engenheiros podem reduzir significativamente o risco de de sobreajuste ao conjunto de treino e criar sistemas que são muito mais robustos contra o ruído nos dados de treino. Esta abordagem é frequentemente utilizada para para obter resultados topo de gama em ambientes competitivos como competições Kaggle.

Mecanismos de aprendizagem de conjuntos

A eficácia de um conjunto de modelos depende da diversidade das suas partes constituintes. Se todos os modelos tiverem fraquezas idênticas, a sua combinação não oferece qualquer melhoria. Por conseguinte, os profissionais introduzem frequentemente a diversidade variando a arquitetura da rede neural, utilizando diferentes diferentes subconjuntos de dados, ou aplicando estratégias de aumento de dados.

Existem três métodos principais para a construção de conjuntos:

• Bagging (Bootstrap Aggregating): Envolve o treino de várias versões do mesmo modelo, como como uma árvore de decisão, em diferentes amostras aleatórias do do conjunto de dados. O exemplo clássico é o algoritmo algoritmo Random Forest, que calcula a média das previsões de muitas árvores para suavizar a variação, conforme detalhado na Scikit-learn ensemble documentation.
• Boosting: Nesta técnica iterativa, os modelos são treinados sequencialmente. Cada novo modelo concentra-se em correção dos erros cometidos pelos seus antecessores. Implementações populares como XGBoost e LightGBM utilizam este método para converter aprendizes fracos num modelo composto de alta precisão.
• Empilhamento: Esta abordagem avançada treina um "meta-aprendiz" para combinar as previsões de vários modelos de base diferentes, como a combinação de uma Máquina de Vectores de Suporte (SVM) com um modelo de aprendizagem profunda. O meta-aprendiz optimiza a forma de ponderar a opinião de cada especialista para minimizar a função de perda final. função de perda final.

Aplicações no Mundo Real

Os conjuntos de modelos são fundamentais nos sectores em que a precisão é crítica e o custo do erro é elevado.

1. Análise de imagens médicas: O diagnóstico de condições complexas requer frequentemente a análise de padrões subtis em dados de imagem. Um sistema de diagnóstico pode empregar um conjunto de modelos que combina uma Rede Neural Convolucional (CNN) especializada em análise de textura com um transformador de visão (ViT) que se destaca na compreensão do contexto global. Esta combinação ajuda na deteção de tumores em imagiologia médica com maior sensibilidade do que qualquer arquitetura isolada poderia alcançar.
2. Sistemas autónomos: Para os veículos autónomos, os sistemas de perceção devem ser à prova de falhas. Os engenheiros utilizam frequentemente um conjunto de modelos de deteção de objectos - por exemplo, fundindo as capacidades de alta velocidade do YOLO11 com a precisão baseada em transformador do RT-DETR. Isto garante que que os peões ou obstáculos sejam detectados mesmo que um modelo tenha dificuldades com iluminação ou oclusão específicas.

Conjunto vs. Mistura de Peritos (MoE)

É importante diferenciar um conjunto de modelos padrão de uma mistura de especialistas (MoE). Embora ambos utilizem utilizam vários submodelos, funcionam de forma diferente durante a inferência:

• Conjunto de modelos: Normalmente, consulta todos os modelos da coleção para cada entrada e funde os os resultados. Isto maximiza a precisão mas aumenta a a latência da inferência e o custo computacional.
• Mistura de especialistas: Utiliza uma rede de gating para encaminhar os dados apenas para alguns "especialistas" específicos (submodelos) específicos mais adequados para a entrada atual. Isto permite uma escalabilidade massiva em modelos de base como Transformadores de com utação sem a penalidade computacional de executar cada parâmetro para cada token.

Implementação de conjuntos com Ultralytics

Enquanto bibliotecas como PyTorch permitem arquitecturas de conjunto complexas pode obter um conjunto básico para inferência simplesmente carregando vários modelos e processando a mesma entrada. O exemplo a seguir demonstra como carregar dois modelos YOLO distintos usando a função ultralytics pacote.

from ultralytics import YOLO

# Load two different model variants to create a diverse ensemble
model_a = YOLO("yolo11n.pt")  # Nano model
model_b = YOLO("yolo11s.pt")  # Small model

# Perform inference on an image with both models
# In a production ensemble, you would merge these results (e.g., via NMS)
results_a = model_a("https://ultralytics.com/images/bus.jpg")
results_b = model_b("https://ultralytics.com/images/bus.jpg")

print(f"Model A detections: {len(results_a[0].boxes)}")
print(f"Model B detections: {len(results_b[0].boxes)}")

A implementação de conjuntos exige uma análise cuidadosa dos recursos do MLOps, pois a implantação de modelos múltiplos aumenta a utilização da memória. No entanto, para tarefas que exigem o melhor desempenho possível em visão por computador (CV), o compromisso é muitas vezes justificada.