Aktif öğrenme bilgisayarlı görü geliştirmeyi hızlandırır

Bir bilgisayarlı görü modelini eğitmek, bir çocuğa renkleri tanımayı öğretmeye çok benzer. Öncelikle renkli nesnelerden oluşan bir koleksiyona ihtiyacın olur. Ardından çocuğa her rengi doğru şekilde tanımayı öğretirsin; bu iş çoğu zaman hem zaman alıcı hem de tekrarlıdır.

Bir çocuğun öğrenmek için çok sayıda örneğe ihtiyaç duyması gibi, bir görü modeli de görüntülerdeki örüntüleri ve nesneleri tanımak için büyük miktarda etiketli veriye ihtiyaç duyar. Ancak büyük miktarda veriyi etiketlemek, kaynakları bir yana bırakalım, çok fazla zaman ve çaba gerektirir. Aktif öğrenme gibi teknikler bu süreci basitleştirmeye yardımcı olabilir.

Aktif öğrenme, büyük bir veri kümesindeki en önemli verilerin seçilip etiketlendiği adım adım ilerleyen bir süreçtir. Model, etiketlenmiş bu verilerden öğrenerek daha doğru ve etkili hâle gelir. Yalnızca en değerli verilere odaklanmak, gereken etiketleme miktarını azaltır ve modelin geliştirilmesini hızlandırır.

Bu yazıda aktif öğrenmenin model eğitimine nasıl yardımcı olduğunu, etiketleme maliyetlerini nasıl azalttığını ve modelin genel doğruluğunu nasıl artırdığını inceleyeceğiz.

Görüntü veri kümeleri oluşturmak kolay değildir#

Veri kümeleri, bilgisayarlı görü ve derin öğrenme modellerinin temelini oluşturur. ImageNet gibi popüler veri kümeleri, çok çeşitli nesne kategorilerini içeren milyonlarca görüntü sunar. Ancak böylesine büyük yüksek kaliteli veri kümeleri oluşturmak ve sürdürmek çeşitli zorlukları beraberinde getirir.

Örneğin, veri toplamak ve etiketlemek zaman, kaynak ve uzman anotatörler gerektirir; bu nedenle süreç, uygulamaya bağlı olarak zorlaşabilir. Görüntü veri kümelerine yönelik artan talebi karşılamak için yenilikçi ve daha verimli çözümlere ihtiyaç var; aktif öğrenme de tam olarak bu sorunu çözmeyi amaçlıyor.

Aktif öğrenme, veri etiketleme sürecini optimize ederek bu sorunu çözer. Etiketlenecek en bilgilendirici veri noktalarını stratejik biçimde seçen aktif öğrenme, etiketleme çabasını en aza indirirken model performansını en üst düzeye çıkarır.

Aktif öğrenme nedir?#

Aktif öğrenme, modelin etiketlenmemiş geniş bir veri havuzundan etiketlenecek en önemli veri noktalarını seçtiği yinelemeli bir makine öğrenimi tekniğidir. Seçilen bu veri noktaları elle etiketlenerek eğitim veri kümesine eklenir.

Model daha sonra güncellenmiş veri kümesiyle yeniden eğitilir ve etiketlenecek bir sonraki veri noktalarını seçer. Model en bilgilendirici veri noktalarına odaklanarak sürekli geliştikçe bu süreç tekrarlanır. Model istenen doğruluğa ulaşana veya önceden belirlenen etiketleme ölçütlerini karşılayana kadar döngü devam eder.

Şekil 1. Aktif öğrenmeye genel bakış.

Aktif öğrenmenin nasıl işlediğini anlamak#

Aktif öğrenme tekniğinin hangi veri noktalarının elle etiketlenmesi gerektiğine ve sırada hangilerinin etiketleneceğine nasıl karar verdiğini merak ediyor olabilirsin. Aktif öğrenmenin nasıl çalıştığını bir sınava çalışmayla karşılaştıralım: iyi hazırlanmak için emin olmadığın konulara odaklanır, farklı konuları da gözden geçirmeyi ihmal etmezsin.

İlk veri seçimi için aktif öğrenme, belirsizlik örneklemesi ve çeşitliliğe dayalı örnekleme gibi stratejiler kullanır. Belirsizlik örneklemesi, zor durumlarda doğruluğu artırmak amacıyla modelin tahminlerinden en az emin olduğu veri noktalarına öncelik verir. Çeşitliliğe dayalı örnekleme ise modelin çeşitli örneklere maruz kalmasını sağlayarak görülmemiş verilere iyi genelleme yapmasına yardımcı olacak geniş bir özellik yelpazesini kapsayan veri noktalarını seçer.

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

İlk veri seçiminden sonra aktif öğrenme, etiketleme için havuz tabanlı örnekleme ve akış tabanlı örnekleme olmak üzere iki temel yaklaşım kullanır. Bunlar, bir öğretmenin öğrencinin en önemli noktalara odaklanmasına yardım etmesine benzer.

Havuz tabanlı örneklemede model, etiketlenmemiş büyük bir veri havuzunu tarar ve etiketlenecek en zor ya da en bilgilendirici örnekleri seçer; tıpkı öğrencinin en zor bulduğu bilgi kartlarına öncelik vermesi gibi. Akış tabanlı örneklemede model, verileri geldikçe işler ve etiketleyip etiketlemeyeceğine karar verir; tıpkı öğrencinin yalnızca takıldığında yardım istemesi gibi. Her iki durumda da etiketlenen veriler eğitim kümesine eklenir ve model yeniden eğitilerek her yinelemede istikrarlı biçimde iyileşir.

Aktif öğrenme uygulamalarını keşfetmek#

Aktif öğrenme, model doğruluğunu artırıp veri etiketleme sürecini kolaylaştırarak tıbbi görüntüleme ve otonom sürüş gibi bilgisayarlı görü uygulamalarında önemli bir rol oynar. Bunun ilginç bir örneği, düşük ışıklı veya sisli koşullarda yayaları ya da nesneleri tespit etmek için sürücüsüz otomobillerde kullanılan bilgisayarlı görü modelleridir. Aktif öğrenme, çeşitli ve zorlu sürüş senaryolarına odaklanarak doğruluğu artırabilir.

Özellikle aktif öğrenme, bu tür senaryolardaki belirsiz verileri veya kareleri belirleyip seçici biçimde etiketlemek için kullanılabilir. Bu etiketlenmiş örneklerin eğitim kümesine eklenmesi, modelin olumsuz hava koşullarında veya gece sürüşünde olduğu gibi zorlu ortamlarda yayaları ve nesneleri daha iyi tanımasını sağlar.

Örneğin NVIDIA, sürücüsüz araç modellerinde gece yaya tespitini iyileştirmek için aktif öğrenmeden yararlandı. Eğitim için en bilgilendirici verileri, özellikle zorlu senaryolardan stratejik olarak seçerek model performansını önemli ölçüde artırdı.

Şekil 3. Aktif öğrenme kullanarak şemsiyeli bir yayayı tespit etme.

Aktif öğrenme etiketleme maliyetlerini azaltabilir#

Aktif öğrenmenin bir diğer önemli yönü, etiketleme maliyetlerini düşürme potansiyelidir. Tüm veri kümesi için açıklama eklemek yerine yalnızca en önemli veri noktalarına odaklanarak bunu sağlar. Bu hedefli yaklaşım zamandan, emekten ve paradan tasarruf ettirir. Belirsiz ya da çeşitli örneklere odaklanan aktif öğrenme, model doğruluğunu yüksek tutarken gereken açıklama sayısını azaltır.

Araştırmalar, aktif öğrenmenin performanstan ödün vermeden etiketleme maliyetlerini %40-60 azaltabildiğini gösteriyor. Bu, verileri etiketlemenin maliyetli olduğu sağlık ve üretim gibi sektörlerde özellikle yararlıdır. Aktif öğrenme, anotasyon sürecini basitleştirerek işletmelerin doğruluğu korurken modelleri daha hızlı geliştirmesine ve daha verimli biçimde kullanıma almasına yardımcı olur.

Aktif öğrenmenin faydaları#

Aktif öğrenmenin sunabileceği diğer önemli avantajlardan bazıları şunlardır:

• Sınıf dengesizliğini giderme: Aktif öğrenme, azınlık veri sınıflarındaki örnekleri etiketleyerek sınıf dengesizliği sorunlarını gidermeye yardımcı olabilir. Model, az verili nadir senaryolarda daha iyi performans gösterebilir.
• Daha hızlı geliştirme döngüleri: Daha az veriyi etiketlemek, makine öğrenimi ve bilgisayarlı görü modellerinin geliştirme sürecini dolaylı olarak hızlandırır; böylece ek yinelemeler ve deneyler için daha fazla zaman ve kaynak kalır.
• Uyarlanabilirlik: Belirsiz veya uç durum örnekleri üzerinde yinelemeler yaparak eğitim verilerini sürekli iyileştirebilir; bu da onu dinamik veya değişen veri kümeleri için uygun hâle getirir.

Aktif öğrenme ve AutoML birlikte çalışabilir#

Otomatik Makine Öğrenimi (AutoML), makine öğrenimi modelleri oluşturma ve kullanıma alma sürecinde yer alan zaman alıcı ve yinelemeli görevleri otomatikleştirmeye odaklanır. Model seçimi ve performans değerlendirmesi gibi görevleri otomatikleştirerek makine öğrenimi iş akışlarını basitleştirir ve elle çalışma gereksinimini azaltır.

AutoML, aktif öğrenmeyle entegre edildiğinde model geliştirme yaşam döngüsünü hızlandırıp optimize edebilir. Aktif öğrenme bileşeni, etiketleme için en bilgilendirici veri noktalarını stratejik olarak seçerken AutoML; mimari, parametre ve ayar seçimini otomatikleştirerek modeli geliştirir.

Şekil 4. AutoML iş akışı.

Bu teknoloji birleşimini bir örnekle anlayalım.

Diyelim ki tıbbi görüntülemede nadir durumları tespit etmeye çalışıyorsun (etiketli veri kümelerinin sınırlı ve edinilmesinin pahalı olduğu bir kullanım alanı). Aktif öğrenme, modelin sınıflandıramadığı röntgen görüntülerindeki belirsiz değişiklikler gibi belirsiz verileri belirleyip seçebilir. Ardından modelin anlayışını geliştirmek için belirsiz veriler elle anotasyon yapılmak üzere önceliklendirilebilir.

AutoML, açıklama eklenmiş verilerle çeşitli mimarileri, hiperparametreleri ve veri artırma tekniklerini deneyerek modeli optimize edebilir. Bu yinelemeli süreç, sağlık uzmanlarının doğru tanılar koymasına yardımcı olan Ultralytics YOLO11 gibi güvenilir görü modellerinin geliştirilmesini hızlandırır.

Aktif öğrenmenin zorlukları#

Aktif öğrenme ve teknikleri pek çok avantaj sunar; ancak bu stratejileri uygularken göz önünde bulundurman gereken birkaç nokta vardır:

• Sorgu stratejisi seçimi: Aktif öğrenmede birçok teknik bulunur ve en iyi yöntemi seçmek, modelin etkinliğini önemli ölçüde etkiler. Uygun olmayan bir strateji seçmek, belirli bir uygulamada model performansını düşürebilir.
• Yeniden eğitim maliyetleri: Aktif öğrenmenin yinelemeli yapısı, özellikle büyük veri kümelerinde yüksek maliyetli hesaplama kaynakları gerektirir. Her etiketleme turundan sonra model yeniden eğitilir ve bu da sürecin karmaşıklığını artırır.
• Başlangıç modeli kalitesi: Aktif öğrenmenin etkinliği, başlangıç modelinin kalitesine bağlıdır. Performansı düşük bir başlangıç modeli, bilgilendirici veri noktalarını doğru şekilde belirleyemeyebilir; bunun sonucunda yetersiz etiketleme talepleri oluşur ve genel performans düşer.

Aktif öğrenme ve AutoML'in geleceği#

Yapay zekâ ve bilgisayarlı görü alanındaki son gelişmelerle aktif öğrenme, daha karmaşık zorlukların üstesinden gelmeye ve makine öğrenimi iş akışlarını kolaylaştırmaya hazırlanıyor. Aktif öğrenmeyi federatif öğrenme ve öz denetimli öğrenme gibi tekniklerle birleştirmek, görüntü modellerinin verimliliğini ve ölçeklenebilirliğini daha da artırabilir.

Federatif öğrenme, verilerin özgün konumundan ayrılmasını gerektirmeden bir modelin dağıtık bir çerçevede birden fazla cihaz veya sunucuda eğitilmesini sağlar. Veri gizliliğinin önemli olduğu sağlık hizmetleri gibi sektörlerde federatif öğrenme, hassas yerel veriler üzerinde doğrudan eğitim yaparken verileri güvende tutmayı mümkün kılar. Ham verileri paylaşmak yerine yalnızca model güncellemeleri veya içgörüler paylaşılır; böylece özel bilgiler korunurken eğitim sürecine katkıda bulunmaya devam edilir.

Öte yandan öz denetimli öğrenme, etiketlenmemiş veriler üzerinde ön eğitim yaparak etiketli veri ihtiyacını azaltmaya yardımcı olur. Bu süreç, model için sağlam bir temel oluşturur. Ardından aktif öğrenme, insan etiketlemesi için en önemli veri noktalarını belirleyip seçerek bu temelin üzerine inşa edilebilir ve modeli daha da iyileştirebilir.

Aktif öğrenmeden etkin etkiye#

Aktif öğrenme, veri etiketlemenin yüksek maliyeti ve daha doğru modellere duyulan ihtiyaç gibi bilgisayarlı görü alanındaki önemli zorlukların üstesinden gelmek için pratik bir yol sunar. Yalnızca en değerli veri noktalarının etiketlenmesine odaklanarak insanlardan gereken emeği azaltırken model performansını artırır.

AutoML gibi teknolojilerle birleştirildiğinde aktif öğrenme, zaman alan görevleri otomatikleştirerek model geliştirme sürecini kolaylaştırır. Gelişmeler sürdükçe aktif öğrenme, daha akıllı ve verimli bilgisayarlı görü sistemleri geliştirmek için vazgeçilmez bir araca dönüşecek. Bu döngüyü bugün hangi araçların desteklediğini görmek için otomatik etiketleme ve aktif öğrenme araçları karşılaştırmamızı oku.

Yapay zekâ ve bilgisayarlı görü modelleri hakkında daha fazla bilgi edinmek için GitHub depomuzu incele ve topluluğumuza katıl. Çözüm sayfalarımızda üretimde bilgisayarlı görü ve sağlık hizmetlerinde bilgisayarlı görü uygulamaları hakkında daha fazla bilgi edin. Görüntü yapay zekâ yolculuğuna bugün başlamak için lisanslama seçeneklerimize de göz atabilirsin.