Online Learning
Узнай, как онлайн-обучение обеспечивает инкрементальные обновления модели, адаптируется к дрейфу концепций и поддерживает более безопасные рабочие процессы компьютерного зрения с Ultralytics YOLO26.
Онлайн-обучение — это подход к машинному обучению, при котором модель постепенно обновляется по мере поступления новых примеров, а не обучается один раз на фиксированном наборе данных. Этот термин относится к потоковым или последовательным обновлениям модели, а не к образованию через интернет. Онлайн-модель может делать предсказания, получать обратную связь и обновляться после каждого образца или небольшой партии данных, как описано в определении онлайн-обучения scikit-learn. Это делает такой подход полезным, когда данные поступают непрерывно, не помещаются в память или меняются со временем. (scikit-learn.org)
Как работает онлайн-обучение#
Типичный цикл выглядит так:
- Модель получает новые входные данные и делает предсказание.
- Становится доступна метка или сигнал обратной связи.
- Вычисляется функция потерь и обновляются параметры модели.
- Перед обработкой следующего примера измеряется производительность.
Библиотеки, такие как River для потокового машинного обучения, реализуют этот рабочий процесс «сначала предсказание, затем обучение» с помощью таких методов, как predict_one() и learn_one(). Нейронные сети могут использовать тот же принцип посредством повторяющихся шагов оптимизатора PyTorch, хотя глубокие модели обычно обновляются на небольших пакетах данных для повышения вычислительной эффективности. (docs.pytorch.org)
Онлайн-обучение особенно ценно при дрейфе концепции, когда взаимосвязь между входными и выходными данными меняется. Примеры включают сезонные схемы движения, изменение поведения клиентов, появление новых производственных дефектов или установку камер в условиях другого освещения. В обзоре повторяющегося дрейфа концепции за 2024 год подчёркивается, что повторяющиеся условия, такие как погода и время суток, требуют от систем распознавать ранее встречавшиеся распределения и адаптироваться к ним. (ijcai.org)
Онлайн-обучение в компьютерном зрении#
Ultralytics YOLO не выполняет неконтролируемые обновления весов для каждого кадра во время инференса. Вместо этого команды могут реализовать безопасное приближение к онлайн-обучению с помощью периодического микрообучения на основе дообучения на недавно размеченных данных, смешанных со старыми примерами:
from ultralytics import YOLO
model = YOLO("yolo26n.pt")
model.train(data="coco8.yaml", epochs=3, imgsz=640, lr0=0.001)Этот исполняемый пример использует Ultralytics YOLO26 и документированный режим обучения YOLO, чтобы выполнить небольшое обновление с низкой скоростью обучения. В рабочей среде coco8.yaml будет заменён версионированным набором данных, содержащим недавно полученные и повторно используемые примеры.
Конкретные области применения включают:
- Визуальный контроль на производстве: Модели обновляются при появлении новых продуктов, материалов или типов дефектов.
- Восприятие автономных транспортных средств: Системы обнаружения адаптируются к меняющимся дорогам, погоде, условиям съёмки и распределениям объектов.
- Управление запасами в розничной торговле: Модели обучаются распознавать новую упаковку и сезонные товары без необходимости полного переобучения.
Связанные концепции и ключевые различия#
Непрерывное обучение — более широкое понятие: его цель — обучаться на разных задачах или в разных предметных областях, сохраняя ранее полученные знания. Онлайн-обучение описывает когда и как часто происходят обновления. Активное обучение, напротив, выбирает наиболее информативные примеры для разметки человеком, а трансферное обучение адаптирует предварительно обученные знания к целевой задаче.
Одной из основных общих проблем является катастрофическое забывание. Среди недавних исследований — непрерывная адаптация во время тестирования BECoTTA за 2024 год, минимизация ранжированной энтропии за 2025 год и метод стабильности и пластичности PLASTIC за 2026 год, в которых изучается эффективная адаптация без разрушения модели или утраты ранее приобретённых возможностей. (proceedings.mlr.press)
Текущие лучшие практики#
- Отслеживай дрейф данных: Отслеживай распределения входных данных, уверенность, точность и частоту классов.
- Сохраняй данные для повторного воспроизведения: Смешивай репрезентативные исторические примеры с новыми данными, чтобы уменьшить забывание.
- Проверяй модель перед развёртыванием: Сравнивай обновлённые модели со стабильным отложенным набором и тестовыми наборами на основе недавних данных.
- Версионируй весь рабочий процесс: Используй Ultralytics Platform для управления разметкой, наборами данных, обучением, развёртыванием и мониторингом.
- Выявляй неразмеченный дрейф: Если метки поступают с задержкой, отслеживай распределения признаков и поведение предсказаний, а не жди результатов измерения точности. (dfki.de)
