Aktif öğrenme bilgisayarlı görü gelişimini hızlandırır

Bir bilgisayarlı görü modelini eğitmek, bir çocuğa renkleri öğretmeye çok benzer. Öncelikle renkli nesnelerden oluşan bir koleksiyona ihtiyacın olur. Ardından, çocuğu her bir rengi doğru bir şekilde tanımlaması için yönlendirirsin; bu, genellikle hem zaman alan hem de tekrara dayalı bir görevdir.

Tıpkı bir çocuğun öğrenmek için birçok örneğe ihtiyaç duyması gibi, bir görü modeli de görüntülerdeki desenleri ve nesneleri tanımak için geniş bir etiketli veri setine ihtiyaç duyar. Ancak, büyük miktarda veriyi etiketlemek, kaynaklardan bahsetmiyoruz bile, çok fazla zaman ve çaba gerektirir. Aktif öğrenme gibi teknikler bu süreci basitleştirmeye yardımcı olabilir.

Aktif öğrenme, geniş bir veri setindeki en önemli verilerin seçildiği ve etiketlendiği adım adım bir süreçtir. Model bu etiketli verilerden öğrenerek daha doğru ve etkili hale gelir. Yalnızca en değerli verilere odaklanmak, gereken etiketleme miktarını azaltır ve modelin geliştirilmesini hızlandırır.

Bu makalede, aktif öğrenmenin model eğitimine nasıl yardımcı olduğuna, etiketleme maliyetlerini nasıl düşürdüğüne ve modelin genel doğruluğunu nasıl artırdığına göz atacağız.

Link to this sectionGörüntü veri setleri oluşturmak kolay değildir#

Veri setleri, bilgisayarlı görü ve derin öğrenme modellerinin temelidir. ImageNet gibi popüler veri setleri, çeşitli nesne kategorileriyle milyonlarca görüntü sunar. Ancak, bu kadar devasa boyutta yüksek kaliteli veri setleri oluşturmak ve bunları korumak çeşitli zorlukları beraberinde getirir.

Örneğin, veri toplamak ve etiketlemek zaman, kaynak ve uzman açıklamacı gerektirir; bu da süreci belirli uygulamaya bağlı olarak zorlu hale getirir. Artan image datasets talebine ayak uydurmak için yenilikçi ve daha verimli çözümlere ihtiyaç vardır ve aktif öğrenme tam olarak bunu çözmeyi amaçlar.

Aktif öğrenme, veri etiketleme sürecini optimize ederek mükemmel bir çözüm sunar. En bilgilendirici veri noktalarını anotasyon için stratejik olarak seçen aktif öğrenme, etiketleme çabalarını en aza indirirken model performansını en üst düzeye çıkarır.

Link to this sectionAktif öğrenme nedir?#

Aktif öğrenme, modelin etiketlenmemiş büyük bir veri havuzundan etiketlenecek en önemli veri noktalarını seçtiği yinelemeli bir makine öğrenimi tekniğidir. Bu seçilen veri noktaları manuel olarak etiketlenir ve eğitim veri setine eklenir.

Model daha sonra güncellenmiş veri seti üzerinde yeniden eğitilir ve etiketlenecek bir sonraki veri kümesini seçer. Bu süreç, model en bilgilendirici veri noktalarına odaklanarak sürekli iyileşmeye devam edecek şekilde tekrarlanır. Döngü, model istenen doğruluğa ulaşana veya önceden belirlenmiş etiketleme kriterlerini karşılayana kadar devam eder.

Şekil 1. Aktif öğrenmeye genel bir bakış.

Link to this sectionAktif öğrenmenin nasıl çalıştığını anlamak#

Aktif öğrenme tekniğinin hangi veri noktalarının manuel etiketleme gerektirdiğine ve hangilerinin bir sonraki adımda etiketleneceğine nasıl karar verdiğini merak ediyor olabilirsin. Aktif öğrenmenin nasıl çalıştığını bir sınava çalışmakla karşılaştırarak anlayalım; emin olmadığın konulara odaklanır ve aynı zamanda iyi hazırlanmak için çeşitli konuları kapsadığından emin olursun.

İlk veri seçimi süreçleri için aktif öğrenme, belirsizlik örneklemesi (uncertainty sampling) ve çeşitlilik tabanlı örnekleme (diversity-based sampling) gibi stratejiler kullanır. Belirsizlik örneklemesi, modelin tahminlerinde en az güven duyduğu veri noktalarına öncelik vererek zorlu durumlarda doğruluğu artırmayı hedefler. Çeşitlilik tabanlı örnekleme ise, geniş bir özellik yelpazesini kapsayan veri noktalarını seçerek modelin çeşitli örneklere maruz kalmasını sağlar ve böylece daha önce görülmemiş verilere karşı iyi bir genelleme yapmasına yardımcı olur.

Şekil 2. Belirsizlik örneklemesi (solda) ve çeşitlilik tabanlı örnekleme (sağda).

İlk veri seçiminden sonra aktif öğrenme, etiketleme için havuz tabanlı örnekleme (pool-based sampling) ve akış tabanlı örnekleme (stream-based sampling) olmak üzere iki ana yaklaşım kullanır. Bunlar, bir öğretmenin öğrencinin en önemli olana odaklanmasına yardımcı olmasına benzer.

Havuz tabanlı örneklemede model, etiketlenmemiş verilerden oluşan büyük bir havuzu tarar ve en zorlu veya bilgilendirici örnekleri seçer; tıpkı bir öğrencinin en zor bulduğu bilgi kartlarına öncelik vermesi gibi. Akış tabanlı örneklemede ise model, veriyi geldiği anda işler ve etiketleyip etiketlemeyeceğine karar verir; tıpkı bir öğrencinin sadece takıldığında yardım istemesi gibi. Her iki durumda da etiketli veriler eğitim setine eklenir ve model kendini yeniden eğiterek her yinelemede istikrarlı bir şekilde iyileşir.

Link to this sectionAktif öğrenmenin uygulamalarını keşfetmek#

Aktif öğrenme; tıbbi görüntüleme ve otonom sürüş gibi bilgisayarlı görü uygulamalarında, model doğruluğunu artırarak ve veri etiketleme sürecini kolaylaştırarak kilit bir rol oynar. Bunun ilginç bir örneği, kendi kendine giden arabalarda yayaları veya nesneleri düşük ışıklı veya sisli koşullarda tespit etmek için kullanılan bilgisayarlı görü modelleridir. Aktif öğrenme, çeşitli ve zorlu sürüş senaryolarına odaklanarak doğruluğu artırabilir.

Özellikle aktif öğrenme, bu tür senaryolardan gelen belirsiz verileri veya kareleri seçici etiketleme için belirlemek amacıyla kullanılabilir. Bu etiketli örneklerin eğitim setine eklenmesi, modelin olumsuz hava koşulları veya gece sürüşü gibi zorlu ortamlarda yayaları ve nesneleri daha iyi tanımasını sağlar.

Örneğin, NVIDIA, kendi kendine giden modellerinde geceleri yaya tespitini iyileştirmek için aktif öğrenmeyi kullanmıştır. Eğitim için en bilgilendirici verileri, özellikle zorlu senaryolarda stratejik olarak seçerek modelin performansı önemli ölçüde artırılır.

Şekil 3. Aktif öğrenme kullanılarak şemsiyeli bir yayanın tespiti.

Link to this sectionAktif öğrenme etiketleme maliyetlerini azaltabilir#

Aktif öğrenmenin bir diğer önemli yönü, etiketleme maliyetlerini düşürme potansiyelidir. Bunu, tüm veri seti için anotasyon gerektirmek yerine yalnızca en önemli veri noktalarına odaklanarak yapar. Bu hedefli yaklaşım zamandan, çabadan ve paradan tasarruf sağlar. Belirsiz veya çeşitli örneklere odaklanarak aktif öğrenme, yüksek model doğruluğunu korurken gereken anotasyon sayısını azaltır.

Aslında araştırmalar, aktif öğrenmenin performanstan ödün vermeden etiketleme maliyetlerini %40-60 oranında düşürebildiğini gösteriyor. Bu durum, veri etiketlemenin maliyetli olduğu sağlık ve üretim gibi sektörlerde özellikle yararlıdır. Anotasyon sürecini basitleştirerek aktif öğrenme, işletmelerin modelleri daha hızlı geliştirmesine ve doğruluğu korurken daha verimli bir şekilde dağıtmasına yardımcı olur.

Link to this sectionAktif öğrenmenin faydaları#

İşte aktif öğrenmenin sunabileceği diğer temel avantajlardan bazıları:

• Sınıf dengesizliğini giderme: Aktif öğrenme, azınlık veri sınıflarından örnekleri etiketleyerek sınıf dengesizliği sorunlarını gidermeye yardımcı olabilir. Model, sınırlı veriye sahip nadir senaryolarda daha iyi performans gösterebilir.
• Daha hızlı geliştirme döngüleri: Daha az veri etiketlemek dolaylı olarak makine öğrenimi ve bilgisayarlı görü modellerinin geliştirme sürecini hızlandırır, böylece ek yinelemeler ve deneyler için daha fazla zaman ve kaynak ayrılabilir.
• Uyarlanabilirlik: Belirsiz veya uç örnekler üzerinde yineleme yaparak eğitim verilerini sürekli iyileştirebilir, bu da onu dinamik veya gelişen veri setleri için çok uygun hale getirir.

Link to this sectionAktif öğrenme ve AutoML birlikte çalışabilir#

Otomatik Makine Öğrenimi (AutoML), makine öğrenimi modelleri oluşturma ve dağıtma sürecinde yer alan zaman alıcı ve yinelemeli görevleri otomatikleştirmeye odaklanır. Manuel çaba ihtiyacını azaltmak için model seçimi ve performans değerlendirmesi gibi görevleri otomatikleştirerek makine öğrenimi iş akışlarını basitleştirir.

Aktif öğrenme ile entegre edildiğinde AutoML, model geliştirme yaşam döngüsünü hızlandırabilir ve optimize edebilir. Aktif öğrenme bileşeni, etiketleme için en bilgilendirici veri noktalarını stratejik olarak seçerken, AutoML mimari, parametre seçimi ve ince ayar gibi süreçleri otomatikleştirerek modeli iyileştirir.

Şekil 4. AutoML iş akışı.

Bu teknoloji kombinasyonunu bir örnekle anlayalım.

Tıbbi görüntülemede (etiketli veri setlerinin sınırlı olduğu ve elde edilmesinin maliyetli olduğu bir kullanım durumu) nadir durumları tespit etmeye çalıştığını varsayalım. Aktif öğrenme, modelin sınıflandıramadığı X-ray görüntülerindeki ince değişiklikler gibi belirsiz verileri tanımlayabilir ve seçebilir. Ardından, modelin anlayışını geliştirmek için belirsiz veriler manuel anotasyon için önceliklendirilebilir.

Anotasyonlu verilerle AutoML; çeşitli mimarileri, hiperparametreleri ve diğer veri artırma tekniklerini keşfederek modeli optimize edebilir. Bu yinelemeli süreç, sağlık profesyonellerinin doğru teşhisler koymasına yardımcı olan Ultralytics YOLO11 gibi güvenilir görü modellerinin geliştirilmesini hızlandırır.

Link to this sectionAktif öğrenmenin zorlukları#

Aktif öğrenme ve teknikleri sayısız avantaj sunar, ancak bu stratejileri uygularken dikkate alınması gereken birkaç nokta vardır:

• Sorgu stratejisi seçimi: Aktif öğrenme birçok teknik içerir ve en iyi yöntemi seçmek modelin etkinliğini önemli ölçüde etkiler. Uygun olmayan bir strateji seçmek, belirli bir uygulama için modelin performansını düşürebilir.
• Yeniden eğitim maliyetleri: Aktif öğrenmenin yinelemeli doğası, özellikle büyük veri setleri için pahalı hesaplama kaynakları gerektirir. Model, her etiketleme turundan sonra yeniden eğitilir ve bu da karmaşıklığını artırır.
• İlk model kalitesi: Aktif öğrenmenin etkinliği, ilk modelin kalitesine bağlıdır. Düşük performanslı bir ilk model, bilgilendirici veri noktalarını doğru bir şekilde tanımlayamayabilir; bu da standart altı etiket isteklerine ve genel performansın düşmesine yol açar.

Link to this sectionAktif öğrenme ve AutoML için gelecekte neler var#

AI ve bilgisayarlı görüdeki son gelişmelerle birlikte aktif öğrenme, daha karmaşık zorlukların üstesinden gelmeye ve makine öğrenimi iş akışlarını kolaylaştırmaya hazırlanıyor. Aktif öğrenmeyi federe öğrenme ve öz denetimli öğrenme (self-supervised learning) gibi tekniklerle birleştirmek, görü modellerinin verimliliğini ve ölçeklenebilirliğini daha da artırabilir.

Federe öğrenme, bir modelin verilerin orijinal konumundan ayrılmasını gerektirmeden dağıtılmış bir çerçeve ile birden fazla cihaz veya sunucu üzerinde eğitilmesini sağlar. Veri gizliliğinin önemli olduğu sağlık gibi sektörleri düşün; federe öğrenme, hassas yerel verileri güvende tutarken doğrudan bu veriler üzerinde eğitim almayı mümkün kılar. Ham verileri paylaşmak yerine sadece model güncellemeleri veya içgörüler paylaşılır, böylece özel bilgiler korunurken eğitim sürecine katkıda bulunulmaya devam edilir.

Bu arada, öz denetimli öğrenme, modelleri etiketlenmemiş veriler üzerinde önceden eğiterek etiketli veri ihtiyacını azaltmaya yardımcı olur. Bu süreç model için güçlü bir temel oluşturur. Aktif öğrenme ise daha sonra insan anotasyonu için en önemli veri noktalarını tanımlayıp seçerek modelin üzerine inşa edebilir ve modeli daha da iyileştirebilir.

Link to this sectionAktif öğrenmeden aktif etkiye#

Aktif öğrenme, yüksek veri anotasyon maliyeti ve daha doğru modeller ihtiyacı gibi bilgisayarlı görüdeki temel zorluklarla başa çıkmak için pratik bir yol sunar. Yalnızca en değerli veri noktalarını etiketlemeye odaklanarak, insanlardan gereken çabayı azaltırken modelin performansını artırır.

AutoML gibi teknolojilerle birleştirildiğinde aktif öğrenme, zaman alıcı görevleri otomatikleştirerek model geliştirmeyi kolaylaştırır. Gelişmeler devam ettikçe aktif öğrenme, daha akıllı ve verimli bilgisayarlı görü sistemleri oluşturmak için vazgeçilmez bir araç haline gelmeye adaydır.

AI ve bilgisayarlı görü modelleri hakkında daha fazla bilgi edinmek için GitHub depomuzu keşfet ve topluluğumuza katıl. Çözüm sayfalarımızda üretimde bilgisayarlı görü ve sağlıkta daha fazla uygulama keşfet. Vision AI yolculuğuna bugün başlamak için lisanslama seçeneklerimize de göz atabilirsin.