Few-shot, zero-shot ve transfer learning'i anlama
Bilgisayarlı göründe few-shot learning, zero-shot learning ve transfer learning arasındaki farkları ve bu paradigmaların yapay zekâ modeli eğitimini nasıl şekillendirdiğini keşfet.
Yapay zekâ (AI) sistemleri, minimum insan girdisiyle yüzleri tanıma, görüntüleri sınıflandırma ve araba kullanma gibi karmaşık görevlerin üstesinden gelebilir. Bunu verileri inceleyerek, örüntüleri tanıyarak ve tahminlerde veya kararlarda bulunmak için bu örüntüleri kullanarak yaparlar. Yapay zekâ ilerledikçe, AI modellerinin öğrenebildiği, uyum sağlayabildiği ve görevleri olağanüstü verimlilikle gerçekleştirebildiği giderek daha gelişmiş yöntemlere tanık oluyoruz.
Örneğin bilgisayarlı görü, makinelerin dünyadaki görsel bilgileri yorumlamasını ve anlamasını sağlamaya odaklanan bir AI dalıdır. Geleneksel bilgisayarlı görü modeli geliştirme süreçleri, eğitim için büyük ve açıklamalı veri kümelerine büyük ölçüde dayanır. Bu tür verileri toplamak ve etiketlemek zaman alıcı ve maliyetli olabilir.
Araştırmacılar bu zorlukların üstesinden gelmek için sınırlı örneklerden öğrenen az örnekli öğrenme (FSL), daha önce görülmemiş nesneleri tanımlayan sıfır örnekli öğrenme (ZSL) ve önceden eğitilmiş modellerden edinilen bilgiyi yeni görevlere uygulayan transfer öğrenmesi (TL) gibi yenilikçi yaklaşımlar geliştirdi.
Bu makalede, bu öğrenme paradigmalarının nasıl çalıştığını inceleyecek, aralarındaki temel farkları vurgulayacak ve gerçek dünyadaki uygulamalara göz atacağız. Hadi başlayalım!
Öğrenme paradigmalarına genel bakış#
Az örnekli öğrenme, sıfır örnekli öğrenme ve transfer öğrenmesinin bilgisayarlı görü bağlamında ne olduğunu ve nasıl çalıştıklarını inceleyelim.
Az örnekli öğrenme#
Az örnekli öğrenme, sistemlerin yalnızca az sayıda örnek kullanarak yeni nesneleri tanımayı öğrendiği bir yöntemdir. Örneğin bir modele penguen, pelikan ve puffin kuşlarının birkaç fotoğrafını gösterirsen (bu küçük gruba "destek kümesi" adı verilir), model bu kuşların neye benzediğini öğrenir.
Daha sonra modele penguen gibi yeni bir görüntü gösterdiğinde, bu görüntüyü destek kümesindekilerle karşılaştırır ve en yakın eşleşmeyi seçer. Büyük miktarda veri toplamanın zor olduğu durumlarda bu yöntem faydalıdır; çünkü sistem yalnızca birkaç örnekle öğrenmeye ve uyum sağlamaya devam edebilir.
Şekil 1. Az örnekli öğrenmenin nasıl çalıştığına genel bakış.
Sıfır örnekli öğrenme#
Sıfır örnekli öğrenme, makinelerin daha önce hiç görmedikleri şeyleri, bunlara ait örneklere ihtiyaç duymadan tanımasını sağlayan bir yöntemdir. Bağlantılar kurmaya yardımcı olmak için açıklamalar gibi anlamsal bilgilerden yararlanır.
Örneğin bir makine, “küçük ve tüylü”, “büyük vahşi kedi” veya “uzun yüz” gibi özellikleri anlayarak kediler, aslanlar ve atlar hakkında bilgi öğrendiyse, bu bilgiyi kaplan gibi yeni bir hayvanı tanımlamak için kullanabilir. Daha önce hiç kaplan görmemiş olsa bile, onu doğru şekilde tanımlamak için “koyu çizgileri olan, aslana benzeyen bir hayvan” açıklamasını kullanabilir. Bu, makinelerin çok sayıda örneğe ihtiyaç duymadan öğrenmesini ve uyum sağlamasını kolaylaştırır.
Şekil 2. Sıfır örnekli öğrenme, açıklamaları kullanarak yeni nesneleri tanımlar.
Transfer öğrenmesi#
Transfer öğrenmesi, bir modelin bir görevden öğrendiklerini benzer ve yeni bir görevi çözmeye yardımcı olmak için kullandığı bir öğrenme paradigmasıdır. Bu teknik, nesne algılama, görüntü sınıflandırma ve örüntü tanıma gibi bilgisayarlı görü görevlerinde özellikle faydalıdır.
Örneğin bilgisayarlı görü alanında, önceden eğitilmiş bir model hayvanlar gibi genel nesneleri tanıyabilir ve ardından transfer öğrenmesiyle farklı köpek ırkları gibi belirli nesneleri tanıyacak şekilde ince ayar yapılabilir. Transfer öğrenmesi, önceki görevlerden edinilen bilgiyi yeniden kullanarak daha küçük veri kümeleri üzerinde bilgisayarlı görü modellerini eğitmeyi kolaylaştırır ve zamanla çabadan tasarruf sağlar.
Şekil 3. Transfer öğrenmesinin nasıl çalıştığına genel bakış.
Transfer öğrenmesini hangi tür modellerin desteklediğini merak ediyor olabilirsin. Ultralytics YOLO11, bunu yapabilen bir bilgisayarlı görü modeline harika bir örnektir. Bu, ilk olarak büyük ve genel bir veri kümesi üzerinde önceden eğitilen son teknoloji ürünü bir nesne algılama modelidir. Ardından belirli görevler için daha küçük ve uzmanlaşmış bir veri kümesi üzerinde ince ayar yapılabilir ve özel olarak eğitilebilir.
Öğrenme paradigmalarının karşılaştırılması#
Artık az örnekli öğrenme, sıfır örnekli öğrenme ve transfer öğrenmesi hakkında konuştuğumuza göre, aralarındaki farkları görmek için bunları karşılaştıralım.
Şekil 4. Az örnekli, sıfır örnekli ve transfer öğrenmesi arasındaki temel farklar. Görsel yazara aittir.
Az örnekli öğrenme, yalnızca az miktarda etiketli veriye sahip olduğunda faydalıdır. Bir AI modelinin yalnızca birkaç örnekten öğrenmesini mümkün kılar. Sıfır örnekli öğrenme ise etiketli veri gerektirmez. Bunun yerine sistemin yeni görevlerin üstesinden gelmesine yardımcı olmak için açıklamaları veya bağlamı kullanır. Transfer öğrenmesi ise önceden eğitilmiş modellerden edinilen bilgiyi kullanarak farklı bir yaklaşım benimser ve bu modellerin minimum ek veriyle yeni görevlere hızla uyum sağlamasına olanak tanır. Her yöntemin güçlü yönleri, üzerinde çalıştığın veri ve görevin türüne göre değişir.
Çeşitli öğrenme paradigmalarının gerçek dünyadaki uygulamaları#
Bu öğrenme paradigmaları, yenilikçi çözümlerle karmaşık sorunları çözerek birçok sektörde şimdiden fark yaratıyor. Gerçek dünyada nasıl uygulanabileceklerine daha yakından bakalım.
Az örnekli öğrenmeyle nadir hastalıkların teşhisi#
Az örnekli öğrenme, özellikle tıbbi görüntüleme alanında sağlık sektörü için oyunun kurallarını değiştiren bir yaklaşımdır. Büyük miktarda veriye ihtiyaç duymadan, yalnızca birkaç örnek veya hatta açıklama kullanarak doktorların nadir hastalıkları teşhis etmesine yardımcı olabilir. Bu, özellikle verinin sınırlı olduğu durumlarda faydalıdır; çünkü nadir hastalıklar için büyük veri kümeleri toplamak çoğu zaman zordur.
Örneğin SHEPHERD, nadir genetik bozuklukları teşhis etmek için az örnekli öğrenme ve biyomedikal bilgi grafiklerini kullanır. Belirtiler ve test sonuçları gibi hasta bilgilerini bilinen genler ve hastalardan oluşan bir ağ üzerinde eşler. Bu, veriler sınırlı olsa bile olası genetik nedeni belirlemeye ve benzer vakaları bulmaya yardımcı olur.
Şekil 5. Shepherd modeli, minimum veri kullanarak nadir hastalıkları teşhis eder.
Sıfır örnekli öğrenmeyle bitki hastalığı tespitini iyileştirme#
Tarımda bitki hastalıklarını hızlı bir şekilde tanımlamak çok önemlidir; çünkü tespit sürecindeki gecikmeler geniş çaplı ürün hasarına, verim düşüşlerine ve önemli mali kayıplara yol açabilir. Geleneksel yöntemler genellikle büyük veri kümelerine ve uzman bilgisine dayanır; bunlara özellikle uzak veya kaynakları sınırlı bölgelerde her zaman erişilemeyebilir. Sıfır örnekli öğrenme gibi AI alanındaki gelişmeler bu noktada devreye girer.
Bir çiftçinin domates ve patates yetiştirdiğini ve sararan yapraklar veya kahverengi lekeler gibi belirtiler fark ettiğini düşünelim. Sıfır örnekli öğrenme, büyük veri kümeleri gerektirmeden mildiyö gibi hastalıkların tanımlanmasına yardımcı olabilir. Model, belirtilerin açıklamalarını kullanarak daha önce görmediği hastalıkları sınıflandırabilir. Bu yaklaşım hızlı ve ölçeklenebilirdir; çiftçilerin çeşitli bitki sorunlarını tespit etmesini sağlar. Ürün sağlığını daha verimli şekilde izlemelerine, zamanında müdahale etmelerine ve kayıpları azaltmalarına yardımcı olur.
Şekil 6. Bitki hastalıklarını tanımlamak için sıfır örnekli öğrenme kullanımı.
Otonom araçlar ve transfer öğrenmesi#
Otonom araçların güvenli bir şekilde yol alabilmesi için genellikle farklı ortamlara uyum sağlaması gerekir. Transfer öğrenmesi, araçların eğitime en baştan başlamadan önceki bilgilerini kullanarak yeni koşullara hızla uyum sağlamasına yardımcı olur. Araçların görsel bilgileri yorumlamasına yardımcı olan bilgisayarlı görüyle birleştirildiğinde bu teknolojiler, farklı arazi ve hava koşullarında daha akıcı bir navigasyon sağlayarak otonom sürüşü daha verimli ve güvenilir hâle getirir.
Bunun uygulamadaki iyi bir örneği, park alanlarını izlemek için Ultralytics YOLO11 kullanan bir otopark yönetim sistemidir. Önceden eğitilmiş bir nesne algılama modeli olan YOLO11, boş ve dolu park yerlerini gerçek zamanlı olarak tanımlamak üzere transfer öğrenmesi kullanılarak ince ayarlanabilir. Modeli daha küçük bir otopark görüntüleri veri kümesi üzerinde eğiterek açık alanları, dolu park yerlerini ve hatta rezerve edilmiş alanları doğru şekilde algılamayı öğrenir.
Şekil 7. Ultralytics YOLO11 ile otopark yönetimi.
Diğer teknolojilerle entegre edilen bu sistem, sürücüleri en yakındaki uygun park yerine yönlendirerek arama süresini ve trafik yoğunluğunu azaltmaya yardımcı olabilir. Transfer öğrenmesi, Ultralytics YOLO11’in mevcut nesne algılama yeteneklerini temel alarak bunu mümkün kılar ve modelin en baştan başlamadan otopark yönetiminin özel ihtiyaçlarına uyum sağlamasına olanak tanır. Bu yaklaşım, otopark operasyonlarını iyileştiren ve genel kullanıcı deneyimini geliştiren son derece verimli ve ölçeklenebilir bir çözüm oluştururken zamandan ve kaynaklardan tasarruf sağlar.
Öğrenme paradigmalarında yükselen trendler#
Bilgisayarlı görüde öğrenme paradigmalarının geleceği, daha akıllı ve sürdürülebilir görsel AI sistemleri geliştirmeye doğru ilerliyor. Özellikle öne çıkan trendlerden biri, az örnekli öğrenme, sıfır örnekli öğrenme ve transfer öğrenmesini birleştiren hibrit yaklaşımların kullanılmasıdır. Bu yöntemlerin güçlü yönlerini bir araya getirerek modeller, minimum veriyle yeni görevleri öğrenebilir ve bilgilerini farklı alanlarda uygulayabilir.
İlginç bir örnek, modelleri önceki görevlerden edinilen bilgiler ve az miktarda yeni veri kullanarak ince ayarlamak için uyarlanmış derin gömmelerin kullanılmasıdır; bu, sınırlı veri kümeleriyle çalışmayı kolaylaştırır.
Benzer şekilde X-shot learning, farklı miktarlarda veri içeren görevlerin üstesinden gelmek üzere tasarlanmıştır. Modellerin sınırlı veya gürültülü etiketlerden öğrendiği zayıf denetimden ve mevcut örneklerin az olduğu veya hiç bulunmadığı durumlarda bile hızlıca uyum sağlamalarına yardımcı olan açık talimatlardan yararlanır. Bu hibrit yaklaşımlar, farklı öğrenme yöntemlerini entegre etmenin AI sistemlerinin zorluklarla daha etkili bir şekilde başa çıkmasına nasıl yardımcı olabileceğini gösterir.
Önemli çıkarımlar#
Az örnekli öğrenme, sıfır örnekli öğrenme ve transfer öğrenmesi, bilgisayarlı görüdeki belirli zorlukları ele alarak onları farklı görevler için uygun hâle getirir. Doğru yaklaşım, belirli uygulamaya ve mevcut veri miktarına bağlıdır. Örneğin az örnekli öğrenme sınırlı verilerle iyi çalışırken, sıfır örnekli öğrenme daha önce görülmemiş veya tanıdık olmayan sınıflarla başa çıkmak için idealdir.
Geleceğe baktığımızda, görsel, dil ve sesi entegre eden hibrit modeller oluşturmak için bu yöntemleri birleştirmek önemli bir odak noktası olacak gibi görünüyor. Bu gelişmeler, AI sistemlerini daha esnek, verimli ve karmaşık sorunların üstesinden gelebilecek hâle getirmeyi amaçlayarak alanda yenilik için yeni olanakların önünü açıyor.
Topluluğumuza katılarak ve GitHub depomuzu inceleyerek AI hakkında daha fazla bilgi edin. Otonom araçlarda AI ve tarımda bilgisayarlı görünün geleceği nasıl yeniden şekillendirdiğini öğren. Başlamak için mevcut YOLO lisansı seçeneklerine göz at!
