Типы методов обучения ИИ, применяемых в компьютерном зрении

Машинное обучение — это разновидность искусственного интеллекта (AI), которая помогает компьютерам учиться на данных и самостоятельно принимать решения без необходимости подробно программировать каждую задачу. Для этого создают алгоритмические модели, способные выявлять закономерности в данных. Выявляя закономерности и обучаясь на них, алгоритмы со временем постепенно повышают эффективность своей работы.

Одно из важнейших применений машинного обучения — компьютерное зрение, область ИИ, сосредоточенная на визуальных данных. Компьютерное зрение использует машинное обучение, чтобы помогать компьютерам обнаруживать и распознавать закономерности на изображениях и видео. Благодаря развитию машинного обучения к 2032 году объем мирового рынка компьютерного зрения, по оценкам, достигнет примерно 175,72 миллиарда долларов.

В этой статье мы рассмотрим разные типы машинного обучения, используемые в компьютерном зрении: обучение с учителем, без учителя, с подкреплением и перенос обучения. Также разберем, какую роль каждый из них играет в различных приложениях.

Обзор машинного обучения в компьютерном зрении#

Компьютерное зрение опирается на машинное обучение, особенно на такие методы, как глубокое обучение и нейронные сети, чтобы интерпретировать и анализировать визуальную информацию. Эти методы позволяют компьютерам выполнять задачи компьютерного зрения, например обнаруживать объекты на изображениях, классифицировать изображения по категориям и распознавать лица. Машинное обучение также необходимо для приложений компьютерного зрения, работающих в реальном времени, например для контроля качества на производстве и медицинской визуализации в здравоохранении. В таких случаях нейронные сети помогают компьютерам интерпретировать сложные визуальные данные, например анализировать снимки мозга, чтобы обнаруживать опухоли.

На самом деле многие передовые модели компьютерного зрения, например Ultralytics YOLO11, построены на основе нейронных сетей.

Рис. 1. Сегментация снимков мозга с помощью Ultralytics YOLO11.

В машинном обучении есть несколько типов методов обучения, например обучение с учителем, обучение без учителя, обучение с подкреплением и трансферное обучение. Они определяют возможности компьютерного зрения. В следующих разделах мы рассмотрим каждый из этих типов и разберёмся, как они помогают развивать компьютерное зрение.

Обучение с учителем: подробнее#

Обучение с учителем — самый распространённый тип машинного обучения. При обучении с учителем модели обучаются на размеченных данных. Каждому входному элементу сопоставляется правильный выход, что помогает модели учиться. Как ученик учится у учителя, так и размеченные данные служат ориентиром и наставником.

Во время обучения модели передают и входные данные (информацию, которую ей нужно обработать), и выходные данные (правильные ответы). Такая схема помогает модели выявить связь между входами и выходами. Главная цель обучения с учителем — найти правило или закономерность, которая точно связывает каждый вход с соответствующим выходом. Благодаря этому соответствию модель может точно предсказывать результаты для новых данных. Например, распознавание лиц в компьютерном зрении опирается на обучение с учителем, чтобы выявлять лица на основе усвоенных закономерностей.

Один из распространённых примеров — разблокировка смартфона с помощью распознавания лица. Модель обучают на размеченных изображениях твоего лица, поэтому при попытке разблокировать телефон она сравнивает изображение с камеры с тем, чему научилась. Если модель обнаруживает совпадение, телефон разблокируется.

Рис. 2. Распознавание лица можно использовать для разблокировки смартфона.

Как работает обучение без учителя в ИИ?#

Обучение без учителя — это вид машинного обучения, в котором используются неразмеченные данные: во время обучения модель не получает ни подсказок, ни правильных ответов. Вместо этого она самостоятельно учится находить закономерности и полезную информацию.

Обучение без учителя выявляет закономерности тремя основными методами:

• Кластеризация: объединяет похожие точки данных. Она полезна для таких задач, как сегментация клиентов, когда похожих клиентов можно группировать по поведению или характеристикам.
• Ассоциативный анализ: используется для выявления связей между объектами и помогает обнаружить закономерности в данных (например, найти товары, которые часто покупают вместе, с помощью анализа покупательских корзин — распространённого метода интеллектуального анализа данных).
• Снижение размерности: упрощает наборы данных, удаляя избыточные признаки, что облегчает визуализацию и обработку.

Одно из ключевых применений обучения без учителя — сжатие изображений. Такие методы, как кластеризация методом k-средних, уменьшают размер изображения без ухудшения визуального качества. Пиксели объединяются в кластеры, каждый из которых представлен средним цветом. В результате изображение содержит меньше цветов, а размер файла уменьшается.

Рис. 3. Пример сжатия изображений без учителя.

Однако у обучения без учителя есть и определённые ограничения. Без заранее известных ответов может быть трудно оценить точность и производительность. Часто приходится вручную интерпретировать результаты и размечать группы. Кроме того, метод чувствителен к таким проблемам, как пропущенные значения и шум, которые могут ухудшить качество результатов.

Обучение с подкреплением: объяснение#

В отличие от обучения с учителем и без учителя, обучение с подкреплением не опирается на обучающие данные. Вместо этого агенты на основе нейронных сетей взаимодействуют со средой, чтобы достичь определённой цели.

В этом процессе есть три основных компонента:

• Агент: обучающийся или лицо, принимающее решения.
• Среда: всё, с чем взаимодействует агент; она может быть реальной или виртуальной.
• Сигнал вознаграждения: числовое значение, присваиваемое после каждого действия и направляющее агента к цели.

Действия агента влияют на среду, которая затем отвечает обратной связью. Эта обратная связь помогает агенту оценивать свои решения и корректировать поведение. Сигнал вознаграждения помогает агенту понять, какие действия приближают его к цели.

Обучение с подкреплением важно для таких сценариев применения, как автономное вождение и робототехника. В автономном вождении модели учатся управлять автомобилем, обнаруживать объекты и объезжать препятствия, опираясь на обратную связь. Для обучения используют агентов на базе нейронных сетей: они обнаруживают пешеходов и другие объекты и предпринимают подходящие действия, чтобы избегать столкновений. Аналогично, в робототехнике обучение с подкреплением помогает выполнять такие задачи, как манипулирование объектами и управление движением.

Известный пример обучения с подкреплением — проект OpenAI, в рамках которого исследователи обучили ИИ-агентов играть в популярную многопользовательскую видеоигру Dota 2. Используя нейронные сети, эти агенты обрабатывали огромные объёмы информации об игровой среде и быстро принимали стратегические решения. Благодаря непрерывной обратной связи агенты учились и со временем совершенствовались, пока не достигли уровня, позволившего победить некоторых из лучших игроков игры.

Рис. 4. Интерпретация Dota Matrix человеком и ИИ.

Основы переноса обучения#

Трансферное обучение отличается от других типов обучения. Вместо обучения модели с нуля берут предварительно обученную на большом наборе данных модель и дообучают её для новой, но связанной задачи. Знания, полученные при первоначальном обучении, помогают повысить качество решения новой задачи. Трансферное обучение сокращает время, необходимое для обучения новой задаче; степень сокращения зависит от её сложности. При этом исходные слои модели, выделяющие общие признаки, сохраняются, а последние слои заменяются слоями для новой задачи.

Художественный перенос стиля — интересный пример применения трансферного обучения в компьютерном зрении. Эта техника позволяет модели преобразовать изображение в стиле другого произведения искусства. Для этого нейронную сеть сначала обучают на большом наборе данных, где изображения сопоставлены с художественными стилями. В процессе модель учится распознавать общие признаки изображений и закономерности стилей.

После обучения модель можно дообучить, чтобы применить к новому изображению стиль конкретной картины. Сеть адаптируется к новому изображению, сохраняя усвоенные признаки стиля, и создаёт уникальный результат, сочетающий исходное содержание с выбранным художественным стилем. Например, можно взять фотографию горного хребта и применить к ней стиль картины Эдварда Мунка «Крик», получив изображение, которое передаёт пейзаж в смелой, выразительной манере картины.

Рис. 5. Пример переноса художественного стиля с помощью переноса обучения.

Сравнение видов машинного обучения#

Теперь, когда мы рассмотрели основные виды машинного обучения, давай сравним их, чтобы понять, какие из них лучше подходят для разных приложений.

• Обучение с учителем: Этот метод обеспечивает высокую точность при работе с размеченными данными, но требует большого объёма данных и может быть чувствителен к шуму.
• Обучение без учителя: полезно для изучения неразмеченных данных и поиска скрытых закономерностей, но результаты могут быть менее точными и их бывает труднее интерпретировать.
• Обучение с подкреплением: обучает агентов принимать пошаговые решения в сложных средах, но часто требует значительных вычислительных ресурсов.
• Перенос обучения: этот подход использует предварительно обученные модели, чтобы ускорить обучение и повысить производительность при решении новых задач, особенно при ограниченном объёме данных.

Рис. 6. Сравнение всех видов машинного обучения. Изображение создано автором.

Выбор подходящего вида машинного обучения зависит от нескольких факторов. Обучение с учителем хорошо подходит, если у тебя много размеченных данных и чётко определена задача. Обучение без учителя полезно для исследования данных или когда размеченных примеров мало. Обучение с подкреплением подходит для сложных задач, требующих пошагового принятия решений, а перенос обучения — когда данных мало или ресурсы ограничены. Учитывая эти факторы, ты сможешь выбрать наиболее подходящий подход для своего проекта компьютерного зрения.

Подводя итоги#

Методы машинного обучения помогают решать самые разные задачи, особенно в таких областях, как компьютерное зрение. Понимая особенности разных видов — обучения с учителем, без учителя, с подкреплением и переноса обучения, — ты сможешь выбрать подход, который лучше всего соответствует твоим потребностям.

Обучение с учителем отлично подходит для задач, требующих высокой точности и размеченных данных, а обучение без учителя — для поиска закономерностей в неразмеченных данных. Обучение с подкреплением эффективно в сложных ситуациях, требующих принятия решений, а перенос обучения помогает использовать предварительно обученные модели при ограниченном объёме данных.

У каждого метода есть свои преимущества и области применения — от распознавания лиц до робототехники и переноса художественного стиля. Правильный выбор может открыть новые возможности в таких отраслях, как здравоохранение, автомобилестроение и индустрия развлечений.

Чтобы узнать больше, загляни в наш репозиторий на GitHub и присоединяйся к нашему сообществу. На страницах наших решений изучи применение ИИ в беспилотных автомобилях и сельском хозяйстве.