Изучаем обучение с учителем и без учителя в компьютерном зрении

Искусственный интеллект (AI) основан на ключевой концепции обучения машин учиться и рассуждать способами, напоминающими человеческий интеллект. Подобно тому как люди учатся разными способами — например, получая прямые инструкции или наблюдая за закономерностями и опытом, — системы AI и машинного обучения созданы для применения тех же подходов.

В частности, алгоритмы машинного обучения обучаются на данных, а не программируются явно для выполнения каждой задачи. Вместо использования фиксированных правил модели машинного обучения выявляют закономерности в данных и используют их для прогнозирования или принятия решений.

Например, компьютерное зрение — это направление AI и машинного обучения, посвящённое тому, чтобы системы могли интерпретировать и понимать визуальную информацию, например изображения и видео. От распознавания объектов до выявления скрытых закономерностей в больших наборах данных — эффективность этих систем во многом зависит от того, как они обучаются.

Для обучения этих систем используются различные методы обучения AI — в зависимости от доступного типа данных и решаемой задачи.

Некоторые модели компьютерного зрения обучаются на размеченных данных, где каждому входному примеру соответствует правильный ответ: каждое изображение или точка данных имеет заранее заданную метку, сообщающую модели, что именно она представляет. Благодаря этому модель учится взаимосвязи между входными данными и ожидаемым результатом, повышая точность прогнозов на новых, ранее не встречавшихся данных.

Другие модели компьютерного зрения обучаются на неразмеченных данных, где заранее заданные ответы отсутствуют, и сосредотачиваются на выявлении закономерностей и взаимосвязей внутри самих данных. Эти подходы соответственно называются обучением с учителем и обучением без учителя и лежат в основе многих передовых систем компьютерного зрения.

В этой статье мы рассмотрим обучение с учителем и без учителя, их применение в компьютерном зрении и выбор подхода, который лучше всего подходит для твоего проекта в области AI для компьютерного зрения. Давай начнём!

Как подходы к обучению AI обеспечивают работу компьютерного зрения#

Можно представить искусственный интеллект как зонтичный термин, охватывающий ряд технологий, которые позволяют машинам выполнять задачи, обычно требующие человеческого интеллекта. В рамках этого направления машинное обучение — ключевая область, благодаря которой системы могут учиться на данных, а не полагаться только на фиксированные правила.

В машинном обучении разные методы обучения определяют, как модель обучается и совершенствуется со временем. Такие подходы, как обучение с учителем (обучение на размеченных данных с правильными ответами), обучение без учителя (выявление закономерностей в неразмеченных данных), обучение с подкреплением (обучение методом проб и ошибок с использованием обратной связи или вознаграждений) и полуобучение с учителем (сочетание небольшого объёма размеченных данных с большим объёмом неразмеченных данных), определяют, как системы обрабатывают входные данные и формируют выходные.

Рис. 1. Обзор методов обучения AI (Источник)

В частности, системы компьютерного зрения создаются с использованием таких подходов к обучению для интерпретации и понимания визуальных данных. Обучение с учителем используется чаще всего, поскольку позволяет моделям учиться на чётко размеченных примерах и получать точные, надёжные результаты.

Например, модель можно обучить на изображениях с метками «кошка» и «собака», чтобы она изучила такие признаки, как форма, уши и строение морды, а затем правильно классифицировала новые изображения с помощью алгоритмов классификации. При этом обучение без учителя и полуобучение с учителем также применяются в компьютерном зрении — часто для изучения закономерностей в данных или повышения эффективности при ограниченном объёме размеченных данных.

Применение моделей обучения с учителем в компьютерном зрении#

Алгоритмы обучения с учителем можно сравнить с учебным классом, где преподаватель показывает примеры вместе с правильными ответами, чтобы ученики понимали, что верно, а что нет. В машинном обучении модели учатся похожим образом на размеченных данных, где каждому входному примеру соответствует известный результат.

Представим, что ты создаёшь систему компьютерного зрения для автоматизации анализа бейсбольных матчей. Ты можешь обучить модель, например Ultralytics YOLO26, на изображениях или видеокадрах, где размечены такие объекты, как мяч, бита и игроки.

Каждый объект будет отмечен с указанием его местоположения и категории, что позволит модели понять, на что нужно обращать внимание. Со временем модель сможет обнаруживать и локализовать эти объекты на новых видеозаписях, поддерживая такие сценарии, как отслеживание мяча и обнаружение игроков на разных кадрах.

Рис. 2. Пример обнаружения объектов с помощью обучения с учителем (Источник)

Помимо обнаружения объектов, обучение с учителем широко применяется в различных задачах компьютерного зрения, таких как классификация изображений, сегментация экземпляров и оценка позы, где важны точность и стабильность. В каждой из этих задач модели учатся на размеченных данных, чтобы выявлять определённые закономерности и надёжно прогнозировать результаты для новых входных данных.

Такие модели обычно создаются с использованием глубокого обучения — разновидности машинного обучения, в которой для выявления закономерностей непосредственно в данных применяются нейронные сети. Нейронные сети обрабатывают информацию способом, отчасти вдохновлённым работой человеческого мозга, благодаря чему модели могут изучать сложные визуальные признаки на больших наборах данных.

Ранние подходы к компьютерному зрению часто опирались на созданные вручную признаки в сочетании с такими алгоритмами, как машины опорных векторов (SVMs — модели, классифицирующие данные путём поиска оптимальной границы между категориями) или деревья решений (модели, принимающие решения посредством разделения данных на ветви).

Напротив, современные модели компьютерного зрения используют глубокое обучение для автоматического извлечения этих признаков из данных, что делает их более эффективными при работе с масштабными и высокодетализированными визуальными задачами.

Зачем нужны модели обучения без учителя в AI для компьютерного зрения#

Хотя обучение с учителем является основным подходом в компьютерном зрении, существуют задачи, для которых размеченные данные недоступны либо их создание слишком дорого и трудоёмко.

В таких случаях алгоритмы обучения без учителя могут стать полезной альтернативой. Представим, что у тебя есть большая коллекция неразмеченных фотографий с фотоловушки.

На изображениях нет меток, указывающих, что именно на них находится, но ты всё равно хочешь упорядочить данные или понять их содержание. Модель без учителя может проанализировать эти изображения и объединить похожие, разделив внешне схожих животных по кластерам, даже не зная их точных меток.

Как работает обучение без учителя в компьютерном зрении#

Итак, как работает машинное обучение без учителя? Вместо обучения на правильных ответах модель самостоятельно выявляет закономерности и структуру внутри данных. Она ищет сходства и различия в данных, не полагаясь на размеченные примеры.

Распространённый сценарий применения — обнаружение аномалий, при котором модель учится определять, как выглядят нормальные данные, а затем выявляет всё, что от них отклоняется. Обнаружение аномалий и выбросов — одно из наиболее значимых промышленных применений. Примеры включают выявление дефектных изделий на производственной линии, обнаружение необычных медицинских снимков для проверки радиологом и выявление подозрительной активности на записях с камер наблюдения. Поскольку дефекты и аномалии часто редки и разнообразны, разметить каждый возможный случай на практике невозможно, поэтому подходы без учителя хорошо подходят для этой задачи.

Для этого часто применяются такие методы, как кластеризация и снижение размерности, обычно к признакам, извлечённым из изображений, а не к самим исходным изображениям. Методы кластеризации, например кластеризация k-средних, объединяют похожие изображения на основе общих закономерностей, а методы снижения размерности, такие как анализ главных компонент (PCA), упрощают данные, сосредотачиваясь на наиболее важных признаках.

Это упрощает выявление значимых закономерностей и структуры в больших и сложных наборах данных. Главное преимущество обучения без учителя заключается в том, что оно хорошо работает с неразмеченными данными и может раскрывать неочевидные закономерности. Однако его сложнее оценивать, а контроль над конечным результатом ниже, чем при обучении с учителем.

Самообучение и полуобучение с учителем в компьютерном зрении#

Изучая обучение с учителем и без учителя, ты можешь задуматься, существует ли промежуточный вариант между ними. Интересно, что самообучение и полуобучение с учителем как раз соединяют эти два подхода.

Эти подходы позволяют моделям эффективнее учиться на неразмеченных данных. Вместо того чтобы полагаться только на размеченные примеры, они либо создают собственные учебные задачи на основе данных, либо объединяют небольшой размеченный набор данных с большим неразмеченным.

При самообучении модель учится, решая задачи, созданные на основе самих данных. Например, ей могут предоставить изображение с пропущенной частью, чтобы она научилась предсказывать, чем заполнить это пространство, или научить распознавать разные виды одного и того же объекта. Это помогает модели изучать полезные признаки без ручной разметки.

С другой стороны, при полуобучении с учителем небольшой объём размеченных данных используется вместе с большим набором неразмеченных данных для повышения эффективности. В некоторых случаях модель может создавать метки для неразмеченных данных и использовать их для дальнейшего обучения.

Главное преимущество этих подходов заключается в снижении потребности в больших размеченных наборах данных, создание которых часто дорого и требует много времени. Однако по сравнению с полностью контролируемыми методами их сложнее проектировать и оценивать.

Ключевые различия между обучением с учителем и без учителя#

Различие между обучением с учителем и без учителя сводится к тому, как модель обучается и чего она стремится достичь. Обучение с учителем опирается на размеченные данные и чёткие указания для решения конкретных задач, тогда как обучение без учителя работает без заранее заданных ответов и сосредоточено на обнаружении закономерностей и структуры в данных.

Например, в системе мониторинга дорожного движения модель обучения с учителем можно обучить на размеченных изображениях для обнаружения автомобилей, пешеходов или светофоров. Напротив, модель без учителя может анализировать большие объёмы видеозаписей, чтобы объединять похожие схемы движения или выявлять необычные события, например неожиданные пробки или аномальные перемещения, без явного указания, что именно нужно искать.

Когда использовать обучение с учителем в компьютерном зрении#

Обучение с учителем отлично подходит для задач компьютерного зрения с чётко определённой целью, где модели нужно сопоставлять входные данные с точными результатами. Оно особенно эффективно, если у тебя есть надёжный размеченный набор данных и нужны стабильные, предсказуемые результаты.

Рис. 3. Задачи компьютерного зрения, основанные на обучении с учителем (Источник)

Этот подход обычно применяется в задачах, где модель должна различать известные категории или прогнозировать конкретные результаты. Вместо изучения закономерностей основное внимание уделяется точному освоению взаимосвязей на размеченных данных, благодаря чему модель проще направить к нужному результату.

Ещё одно важное преимущество — контроль. При обучении с учителем проще измерять эффективность с помощью понятных метрик, донастраивать модель и обеспечивать стабильное поведение при развёртывании. Поэтому этот подход идеально подходит для систем, которым со временем требуются стабильность и надёжность.

Однако за это приходится платить. Модель сильно зависит от качества и масштаба размеченных данных, а их сбор и аннотирование могут занимать много времени.

Примеры применения обучения с учителем в компьютерном зрении из реальной практики#

Модели AI для компьютерного зрения, например модели Ultralytics YOLO, используют обучение с учителем для таких задач, как высокоточное обнаружение объектов, особенно в приложениях реального времени. Ниже приведены распространённые примеры применения компьютерного зрения, где обучение с учителем особенно полезно:

• Здравоохранение и медицинская визуализация: Врачи могут использовать системы компьютерного зрения, обученные на размеченных снимках, таких как рентгеновские снимки или МРТ, где классификаторы выявляют такие состояния, как опухоли или переломы, помогая быстрее и точнее ставить диагнозы.
• Промышленный контроль качества: На производстве системы компьютерного зрения, обученные на размеченных данных, могут проверять продукцию, анализируя различные характеристики качества, такие как форма, поверхностные дефекты, текстура и размер. Обучаясь на примерах как качественных, так и дефектных изделий, эти системы стабильно выявляют неисправности и поддерживают производственные стандарты.
• Автономное вождение: Системы беспилотного вождения используют модели, обученные на размеченных данных о дорожном движении, для распознавания полос, автомобилей, пешеходов и дорожных знаков, помогая транспортным средствам безопасно перемещаться в реальном времени.
• Розничная торговля и системы оплаты: Магазины используют модели, обученные на размеченных изображениях товаров, для распознавания продуктов на полках или у кассы, автоматизации расчётов и повышения эффективности управления запасами. В сочетании с дополнительными данными эти системы также могут поддерживать такие задачи, как сегментация клиентов, помогая компаниям лучше понимать модели покупательского поведения.
• Сельское хозяйство и мониторинг посевов: Фермеры могут использовать модели, обученные на размеченных изображениях, для обнаружения и классификации сельскохозяйственных культур, например для выявления и подсчёта здорового и повреждённого картофеля, повышения контроля качества и сокращения потерь.

Рис. 4. Использование YOLO для обнаружения и подсчёта здорового и дефектного картофеля

Какие задачи компьютерного зрения можно решать с помощью обучения без учителя#

Обучение без учителя полезно, если у тебя недостаточно размеченных данных или данные не содержат чётких ответов. В таких ситуациях цель заключается не в точных прогнозах, а в понимании закономерностей и структуры данных.

Его часто используют при первичном исследовании неразмеченного набора данных. Вместо того чтобы указывать модели, что искать, ты позволяешь ей самостоятельно выявлять сходства, объединять связанные изображения или отмечать необычные закономерности.

В большой коллекции изображений подход без учителя может помочь объединить похожие изображения или отметить выбросы, требующие дополнительного внимания. Это делает его полезной отправной точкой для проектов в области науки о данных.

Генеративные модели, включая GANs, вариационные автокодировщики и диффузионные модели, изучают внутреннее распределение изображений, чтобы создавать совершенно новые. Эти модели лежат в основе таких приложений, как синтез изображений, дорисовка, сверхразрешение и перенос стиля, а также составляют основу современных систем генеративного AI.

При сегментации без учителя некоторые методы объединяют пиксели или области в целостные сегменты без использования размеченных масок. Это полезно, когда аннотирование слишком дорого или когда цель заключается в обнаружении структуры, а не в соответствии с заранее заданными категориями.

Обучение без учителя также эффективно при работе с большими наборами данных, разметка которых занимает много времени или практически невыполнима. В таких случаях оно позволяет получать сведения из данных без опоры на размеченные обучающие данные.

Его также часто применяют в таких областях, как генеративный AI (модели, создающие новые данные, например изображения, текст или аудио) и обучение представлений (модели, изучающие полезные признаки или закономерности в исходных данных), где модели извлекают общие признаки из больших объёмов данных. В целом, если твоя задача связана с исследованием, поиском закономерностей или работой с неразмеченными данными, обучение без учителя — гибкий и практичный подход, который стоит рассмотреть.

Примеры применения обучения без учителя в компьютерном зрении из реальной практики#

Ниже приведены примеры задач, в которых обучение без учителя применяется в компьютерном зрении:

• Обнаружение аномалий на производстве: Модели могут изучить, как выглядят нормальные изделия, и выявлять дефекты или отклонения без необходимости размечать примеры каждого возможного дефекта.
• Организация и поиск изображений: Большие коллекции изображений, например фототеки или каталоги интернет-магазинов, можно автоматически группировать на основе визуального сходства, упрощая специалистам по данным организацию, исследование и поиск по большим наборам данных.
• Видеонаблюдение и безопасность: Системы могут анализировать видеозаписи для выявления необычных закономерностей или действий, например неожиданных перемещений или изменений в составе толпы, без явного обучения на размеченных событиях.
• Предварительная обработка и исследование данных: Методы без учителя часто используются для изучения и структурирования исходных данных изображений перед обучением моделей с учителем, помогая повысить качество данных и сократить объём ручной работы.

Практические ограничения обучения с учителем и без учителя#

Несмотря на преимущества обоих подходов к обучению, необходимо учитывать ряд ограничений. Вот несколько практических факторов, о которых стоит помнить при создании моделей компьютерного зрения:

• Переобучение моделей с учителем: При обучении с учителем модель может слишком точно запомнить обучающие данные вместо изучения общих закономерностей. Это часто происходит, когда набор данных мал или недостаточно разнообразен. Например, модель, обученная обнаруживать дефекты одного типа продукции, может не справиться при тестировании на новых данных с немного отличающимися изделиями или условиями освещения.
• Проблемы с алгоритмами кластеризации: При обучении без учителя модель может объединять похожие точки данных. Однако этот подход может давать сбои, если данные зашумлены, непоследовательны или не имеют чёткой структуры. Например, в задачах группировки изображений снимки с похожими цветами, но разными объектами могут быть ошибочно объединены.
• Важность правильной предварительной обработки: Перед обучением данные необходимо очистить и подготовить. Обычно для этого используются библиотеки Python, обрабатывающие изображения и преобразующие данные. Это особенно важно в компьютерном зрении, где изображения могут различаться по размеру, качеству или освещению. Без правильной предварительной обработки модели могут учиться на шуме, а не на значимых закономерностях, что приводит к низкой эффективности.

Основные выводы#

В компьютерном зрении важную роль играют и обучение с учителем, и обучение без учителя. Правильный подход зависит от типа имеющихся у тебя данных — размеченных или неразмеченных, — а также от решаемой задачи и требований к развёртыванию.

Если твоя цель — высокая точность и чётко определённые результаты, машинное обучение с учителем часто будет лучшим выбором. Если ты исследуешь данные или работаешь без меток, обучение без учителя может подойти лучше.

Хочешь узнать больше об AI? Загляни в наше сообщество и репозиторий GitHub. Изучи страницы наших решений, чтобы узнать больше об AI в робототехнике и компьютерном зрении в сельском хозяйстве. Ознакомься с вариантами нашего лицензирования и начни создавать решения с компьютерным зрением уже сегодня!