Az verili, sıfır verili ve transfer öğrenmeyi anlama
Bilgisayarlı görüde az verili öğrenme (few-shot), sıfır verili öğrenme (zero-shot) ve transfer öğrenme arasındaki farkları ve bu paradigmaların yapay zeka modeli eğitimini nasıl şekillendirdiğini keşfet.
Yapay zeka (YZ) sistemleri, yüz tanıma, görüntü sınıflandırma ve araba sürme gibi karmaşık görevleri minimum insan girdisiyle halledebilir. Bunu verileri inceleyerek, desenleri tanıyarak ve bu desenleri tahminler veya kararlar yapmak için kullanarak yaparlar. YZ ilerledikçe, YZ modellerinin görevleri nasıl öğrenebileceğine, uyum sağlayabileceğine ve olağanüstü bir verimlilikle gerçekleştirebileceğine dair giderek daha karmaşık yollara tanık oluyoruz.
Örneğin, computer vision, makinelerin dünyadan görsel bilgileri yorumlamasını ve anlamasını sağlamaya odaklanan bir yapay zeka dalıdır. Geleneksel computer vision modeli geliştirme süreci, eğitim için büyük ölçüde büyük ve açıklamalı datasets verilerine dayanır. Bu tür verileri toplamak ve etiketlemek zaman alıcı ve masraflı olabilir.
Bu zorlukları ele almak için araştırmacılar, sınırlı örneklerden öğrenen few-shot öğrenme (FSL); görülmemiş nesneleri tanımlayan zero-shot öğrenme (ZSL) ve önceden eğitilmiş modellerden elde edilen bilgileri yeni görevlere uygulayan transfer öğrenme (TL) gibi yenilikçi yaklaşımlar ortaya koymuşlardır.
Bu makalede, bu öğrenme paradigmalarının nasıl çalıştığını keşfedecek, temel farklarını vurgulayacak ve gerçek dünya uygulamalarına bakacağız. Hadi başlayalım!
Öğrenme paradigmalarına genel bir bakış#
Few-shot öğrenme, zero-shot öğrenme ve transfer öğrenmenin bilgisayarlı görü bağlamında ne olduklarını ve nasıl çalıştıklarını keşfedelim.
Few-shot öğrenme#
Few-shot learning, sistemlerin yalnızca az sayıda örnek kullanarak yeni nesneleri tanımayı öğrendiği bir yöntemdir. Örneğin, bir modele birkaç penguen, pelikan ve deniz papağanı resmi gösterirseniz (bu küçük gruba "destek kümesi" denir), bu kuşların neye benzediğini öğrenir.
Daha sonra, modele penguen gibi yeni bir resim gösterirsen, bu yeni resmi destek kümesindeki resimlerle karşılaştırır ve en yakın eşleşmeyi seçer. Büyük miktarda veri toplamanın zor olduğu durumlarda, sistem sadece birkaç örnekle öğrenebildiği ve uyum sağlayabildiği için bu yöntem faydalıdır.
Fig 1. Few-shot learning sürecine genel bir bakış.
Zero-shot öğrenme#
Zero-shot learning, makinelerin daha önce hiç görmedikleri şeyleri, bunlara ait örneklere ihtiyaç duymadan tanıyabilmesinin bir yoludur. Bağlantı kurmaya yardımcı olmak için açıklamalar gibi anlamsal bilgileri kullanır.
Örneğin, bir makine "küçük ve tüylü", "büyük vahşi kedi" veya "uzun yüz" gibi özellikleri anlayarak kediler, aslanlar ve atlar gibi hayvanlar hakkında bilgi edindiyse, bu bilgiyi kaplan gibi yeni bir hayvanı tanımlamak için kullanabilir. Daha önce hiç kaplan görmemiş olsa bile, "koyu çizgili, aslan benzeri bir hayvan" gibi bir tanımı kullanarak onu doğru bir şekilde tanımlayabilir. Bu, makinelerin çok sayıda örneğe ihtiyaç duymadan öğrenmesini ve uyum sağlamasını kolaylaştırır.
Fig 2. Zero-shot learning, açıklamaları kullanarak yeni nesneleri tanımlar.
Transfer öğrenme#
Transfer learning, bir modelin bir görevden öğrendiklerini benzer ve yeni bir görevi çözmeye yardımcı olmak için kullandığı bir öğrenme paradigmasıdır. Bu teknik, nesne tespiti, görüntü sınıflandırma ve örüntü tanıma gibi computer vision tasks söz konusu olduğunda özellikle faydalıdır.
Örneğin, computer vision alanında önceden eğitilmiş bir model, hayvanlar gibi genel nesneleri tanıyabilir ve ardından farklı köpek ırkları gibi belirli nesneleri belirlemek için transfer learning aracılığıyla ince ayardan (fine-tuning) geçirilebilir. Önceki görevlerden elde edilen bilgileri yeniden kullanan transfer learning, computer vision models modellerini daha küçük veri setleri üzerinde eğitmenizi kolaylaştırarak zamandan ve emekten tasarruf sağlar.
Fig 3. Transfer learning sürecine genel bir bakış.
Hangi tür modellerin transfer learning desteklediğini merak ediyor olabilirsiniz. Ultralytics YOLO11, bunu yapabilen harika bir computer vision modeli örneğidir. İlk olarak büyük ve genel bir veri setinde önceden eğitilmiş son teknoloji bir nesne tespiti modelidir. Ardından, belirli görevler için daha küçük, özelleştirilmiş bir veri setinde ince ayarı yapılabilir ve custom-trained eğitilebilir.
Öğrenme paradigmalarını karşılaştırma#
Few-shot öğrenme, zero-shot öğrenme ve transfer öğrenme hakkında konuştuğumuza göre, nasıl farklılaştıklarını görmek için onları karşılaştıralım.
Şekil 4. Few-shot, zero-shot ve transfer öğrenme arasındaki temel farklar. Görsel: Yazar.
Few-shot öğrenme, sadece az miktarda etiketlenmiş verin olduğunda kullanışlıdır. Bir YZ modelinin sadece birkaç örnekten öğrenmesini mümkün kılar. Öte yandan zero-shot öğrenme, herhangi bir etiketlenmiş veri gerektirmez. Bunun yerine, sistemin yeni görevleri ele almasına yardımcı olmak için tanımlamaları veya bağlamı kullanır. Bu arada, transfer öğrenme, önceden eğitilmiş modellerden gelen bilgileri kullanarak farklı bir yaklaşım benimser ve modellerin minimum ek veriyle yeni görevlere hızla uyum sağlamasına olanak tanır. Her yöntemin, üzerinde çalıştığın veri türüne ve göreve bağlı olarak kendi güçlü yönleri vardır.
Çeşitli öğrenme paradigmalarının gerçek dünya uygulamaları#
Bu öğrenme paradigmaları zaten birçok sektörde fark yaratıyor ve karmaşık sorunları yenilikçi çözümlerle çözüyor. Gerçek dünyada nasıl uygulanabileceklerine daha yakından bakalım.
Few-shot öğrenme ile nadir hastalıkları teşhis etme#
Few-shot learning, özellikle medical imaging alanında sağlık sektörü için ezber bozan bir gelişmedir. Büyük miktarda veriye ihtiyaç duymadan, yalnızca birkaç örnek veya hatta açıklamalar kullanarak doktorların nadir hastalıkları teşhis etmesine yardımcı olabilir. Bu, nadir durumlar için büyük veri setleri toplamak zor olabileceğinden, verilerin sınırlı olduğu durumlarda özellikle faydalıdır.
Örneğin, SHEPHERD, nadir genetik bozuklukları teşhis etmek için few-shot learning ve biyomedikal bilgi grafiklerini kullanır. Semptomlar ve test sonuçları gibi hasta bilgilerini bilinen genler ve hastalıklar ağında eşler. Bu, veri sınırlı olsa bile olası genetik nedeni belirlemeye ve benzer vakaları bulmaya yardımcı olur.
Fig 5. Shepherd modeli minimum veri kullanarak nadir hastalıkları teşhis eder.
Zero-shot öğrenme ile bitki hastalığı tespitini iyileştirme#
Tarımda, bitki hastalıklarını hızlı bir şekilde tanımlamak esastır çünkü tespitteki gecikmeler yaygın mahsul hasarına, verim düşüşüne ve önemli mali kayıplara yol açabilir. Geleneksel yöntemler genellikle her zaman erişilemeyen büyük veri kümelerine ve uzman bilgisine dayanır; özellikle uzak veya kaynak kısıtlı bölgelerde. İşte zero-shot öğrenme gibi YZ'deki gelişmelerin devreye girdiği yer burasıdır.
Diyelim ki bir çiftçi domates ve patates yetiştiriyor ve sararan yapraklar veya kahverengi lekeler gibi semptomlar fark ediyor. Zero-shot öğrenme, büyük veri kümeleri gerektirmeden geç yanıklık gibi hastalıkları tanımlamaya yardımcı olabilir. Semptomların tanımlarını kullanarak, model daha önce görmediği hastalıkları sınıflandırabilir. Bu yaklaşım hızlı, ölçeklenebilir ve çiftçilerin çeşitli bitki sorunlarını tespit etmesini sağlar. Mahsul sağlığını daha verimli bir şekilde izlemelerine, zamanında harekete geçmelerine ve kayıpları azaltmalarına yardımcı olur.
Fig 6. Bitki hastalıklarını tanımlamak için zero-shot learning kullanılması.
Otonom araçlar ve transfer öğrenme#
Otonom araçların güvenli bir şekilde hareket edebilmek için genellikle farklı ortamlara uyum sağlamaları gerekir. Transfer öğrenme, eğitimlerine sıfırdan başlamadan yeni koşullara hızla uyum sağlamak için önceki bilgileri kullanmalarına yardımcı olur. Araçların görsel bilgileri yorumlamasına yardımcı olan bilgisayarlı görü ile birleştiğinde, bu teknolojiler farklı arazilerde ve hava koşullarında daha sorunsuz bir şekilde hareket etmeyi sağlar ve otonom sürüşü daha verimli ve güvenilir hale getirir.
Bunun pratikteki güzel bir örneği, park yerlerini izlemek için Ultralytics YOLO11 kullanan bir parking management system sistemidir. Önceden eğitilmiş bir nesne tespiti modeli olan YOLO11, boş ve dolu park yerlerini gerçek zamanlı olarak belirlemek için transfer learning kullanılarak ince ayardan geçirilebilir. Modeli bir otopark görüntülerinden oluşan daha küçük bir veri setinde eğiterek açık alanları, dolu yerleri ve hatta ayrılmış alanları doğru bir şekilde tespit etmeyi öğrenir.
Fig 7. Ultralytics YOLO11 ile otopark yönetimi.
Diğer teknolojilerle entegre edilen bu sistem, sürücüleri en yakın boş yere yönlendirerek arama süresini ve trafik sıkışıklığını azaltmaya yardımcı olabilir. Transfer öğrenme, sıfırdan başlamaya gerek kalmadan park yönetiminin özel ihtiyaçlarına uyum sağlamasına olanak tanıyarak bunu Ultralytics YOLO11’in mevcut nesne tespiti yetenekleri üzerine inşa eder. Bu yaklaşım, park operasyonlarını iyileştiren ve genel kullanıcı deneyimini geliştiren son derece verimli ve ölçeklenebilir bir çözüm oluştururken zaman ve kaynak tasarrufu sağlar.
Öğrenme paradigmalarındaki gelişen trendler#
Computer vision alanındaki öğrenme paradigmalarının geleceği, daha akıllı ve sürdürülebilir vizyon yapay zeka sistemleri geliştirmeye yönelmektedir. Özellikle, artan trendlerden biri few-shot learning, zero-shot learning ve transfer learning yöntemlerini birleştiren hybrid approaches kullanımıdır. Bu yöntemlerin güçlü yönlerini harmanlayarak modeller, minimum veriyle yeni görevler öğrenebilir ve bilgilerini farklı alanlarda uygulayabilir.
İlginç bir örnek, önceki görevlerden elde edilen bilgileri ve az miktarda yeni veriyi kullanarak modellerde ince ayar yapmak için adapted deep embeddings kullanmaktır; bu da sınırlı veri setleriyle çalışmayı kolaylaştırır.
Benzer şekilde, X-shot learning farklı miktarlarda veriye sahip görevlerin üstesinden gelmek için tasarlanmıştır. Modellerin sınırlı veya gürültülü etiketlerden öğrendiği zayıf denetimi ve az sayıda ön örnek olsa veya hiç örnek olmasa bile hızla uyum sağlamalarına yardımcı olacak net talimatları kullanır. Bu hibrit yaklaşımlar, farklı öğrenme yöntemlerini entegre etmenin yapay zeka sistemlerinin zorluklarla daha etkili bir şekilde başa çıkmasına nasıl yardımcı olabileceğini göstermektedir.
Öne çıkanlar#
Few-shot öğrenme, zero-shot öğrenme ve transfer öğrenmenin her biri, bilgisayarlı görüdeki belirli zorlukları ele alarak onları farklı görevler için uygun hale getirir. Doğru yaklaşım, belirli uygulamaya ve ne kadar veri mevcut olduğuna bağlıdır. Örneğin, few-shot öğrenme sınırlı veriyle iyi çalışırken, zero-shot öğrenme görülmemiş veya bilinmeyen sınıflarla uğraşmak için harikadır.
İleriye baktığımızda, bu yöntemleri birleştirerek vizyon, dil ve sesi entegre eden hibrit modeller oluşturmanın temel bir odak noktası olacağı muhtemeldir. Bu gelişmeler, YZ sistemlerini daha esnek, verimli ve karmaşık sorunları çözebilir hale getirmeyi amaçlamakta olup alanda inovasyon için yeni olanaklar açmaktadır.
our community topluluğumuza katılarak ve our GitHub repository deponmuza göz atarak yapay zeka hakkında daha fazlasını keşfet. AI in self-driving cars ve computer vision in agriculture alanlarındaki yapay zekanın geleceği nasıl yeniden şekillendirdiğini öğren. Başlamak için YOLO license mevcut seçeneklerine göz at!
