Az verili, sıfır verili ve transfer öğrenmeyi anlama

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, bilgisayarlı görü, makinelerin dünyadan görsel bilgileri yorumlamasını ve anlamasını sağlamaya odaklanan bir YZ dalıdır. Geleneksel bilgisayarlı görü modeli geliştirme süreci, eğitim için büyük, açıklamalı veri kümelerine büyük ölçüde güvenir. Bu tür verileri toplamak ve etiketlemek zaman alıcı ve maliyetli 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!

Link to this sectionÖğrenme paradigmalarına genel bir bakış#

Few-shot öğrenme, zero-shot öğrenme ve transfer öğrenmenin bilgisayarlı görü bağlamında ne olduklarını ve nasıl çalıştıklarını keşfedelim.

Link to this sectionFew-shot öğrenme#

Few-shot öğrenme, sistemlerin sadece az sayıda örnek kullanarak yeni nesneleri tanımayı öğrendiği bir yöntemdir. Örneğin, bir modele birkaç penguen, pelikan ve deniz papağanı resmi gösterirsen (bu küçük gruba "destek kümesi" denir), model 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.

Şekil 1. Few-shot öğrenmenin nasıl çalıştığına dair genel bakış.

Link to this sectionZero-shot öğrenme#

Zero-shot öğrenme, makinelerin daha önce hiç görmedikleri şeyleri, onlara dair örnekler gerekmeden tanımasını sağlayan bir yöntemdir. Bağlantı kurmaya yardımcı olması için tanımlamalar 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.

Şekil 2. Zero-shot öğrenme, tanımlamaları kullanarak yeni nesneleri tanımlar.

Link to this sectionTransfer öğrenme#

Transfer öğrenme, bir modelin benzer ve yeni bir görevi çözmeye yardımcı olması için bir görevden öğrendiklerini kullandığı bir öğrenme paradigmasıdır. Bu teknik, özellikle nesne algılama, görüntü sınıflandırma ve desen tanıma gibi bilgisayarlı görü görevleri söz konusu olduğunda oldukça kullanışlıdır.

Örneğin, bilgisayarlı görüde, önceden eğitilmiş bir model hayvanlar gibi genel nesneleri tanıyabilir ve daha sonra transfer öğrenme yoluyla farklı köpek cinsleri gibi belirli nesneleri tanımlamak için ince ayar yapılabilir. Önceki görevlerden gelen bilgileri yeniden kullanarak, transfer öğrenme bilgisayarlı görü modellerini daha küçük veri kümeleri üzerinde eğitmeyi kolaylaştırır ve zamandan ve emekten tasarruf sağlar.

Şekil 3. Transfer öğrenmenin nasıl çalıştığına dair genel bakış.

Hangi modellerin transfer öğrenmeyi desteklediğini merak ediyor olabilirsin. Ultralytics YOLO11 bunun harika bir örneğidir. Büyük, genel bir veri kümesi üzerinde önceden eğitilmiş, son teknoloji bir nesne algılama modelidir. Bundan sonra, belirli görevler için daha küçük, özelleştirilmiş bir veri kümesi üzerinde ince ayar yapılabilir ve özel olarak eğitilebilir.

Link to this sectionÖğrenme 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.

Link to this sectionÇeşitli 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.

Link to this sectionFew-shot öğrenme ile nadir hastalıkları teşhis etme#

Few-shot öğrenme, özellikle tıbbi görüntülemede sağlık sektörü için bir oyun değiştiricidir. Doktorların büyük miktarda veriye ihtiyaç duymadan, sadece birkaç örnek veya hatta tanımlama kullanarak nadir hastalıkları teşhis etmelerine yardımcı olabilir. Bu, özellikle veri sınırlı olduğunda kullanışlıdır; nadir durumlar için büyük veri kümeleri toplamak zor olabildiğinden bu genellikle karşılaşılan bir durumdur.

Örneğin, SHEPHERD, nadir genetik bozuklukları teşhis etmek için few-shot öğrenme ve biyomedikal bilgi grafikleri kullanır. Semptomlar ve test sonuçları gibi hasta bilgilerini bilinen genler ve hastalıklar ağında eşleştirir. Bu, veri sınırlı olduğunda bile olası genetik nedeni belirlemeye ve benzer vakaları bulmaya yardımcı olur.

Şekil 5. Shepherd modeli nadir hastalıkları minimum veri kullanarak teşhis eder.

Link to this sectionZero-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.

Şekil 6. Bitki hastalıklarını tanımlamak için zero-shot öğrenmeyi kullanma.

Link to this sectionOtonom 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 işleyişine iyi bir örnek, park yerlerini izlemek için Ultralytics YOLO11 kullanan bir park yönetimi sistemidir. Önceden eğitilmiş bir nesne algılama modeli olan YOLO11, boş ve dolu park yerlerini gerçek zamanlı olarak tanımlamak için transfer öğrenme kullanılarak ince ayar yapılabilir. Modeli daha küçük bir park yeri görüntüleri veri kümesi üzerinde eğiterek, açık alanları, dolu noktaları ve hatta ayrılmış alanları doğru bir şekilde tespit etmeyi öğrenir.

Şekil 7. Ultralytics YOLO11 kullanan park yönetimi.

Diğer teknolojilerle entegre olan bu sistem, sürücüleri en yakın uygun noktaya yönlendirerek arama süresini ve trafik sıkışıklığını azaltmaya yardımcı olabilir. Transfer öğrenme, YOLO11'in mevcut nesne algılama yetenekleri üzerine inşa ederek bunu mümkün kılar ve sıfırdan başlamadan park yönetiminin özel ihtiyaçlarına uyum sağlamasına olanak tanır. Bu yaklaşım zamandan ve kaynaklardan tasarruf ederken, park operasyonlarını iyileştiren ve genel kullanıcı deneyimini artıran son derece verimli ve ölçeklenebilir bir çözüm oluşturur.

Link to this sectionÖğrenme paradigmalarındaki gelişen trendler#

Bilgisayarlı görüde öğrenme paradigmalarının geleceği, daha akıllı ve sürdürülebilir vizyon YZ sistemleri geliştirmeye yöneliyor. Özellikle, artan bir trend, few-shot öğrenme, zero-shot öğrenme ve transfer öğrenmeyi birleştiren hibrit yaklaşımların kullanımıdır. Bu yöntemlerin güçlü yönlerini harmanlayarak, modeller yeni görevleri minimum verilerle öğrenebilir ve bilgilerini farklı alanlarda uygulayabilirler.

İlginç bir örnek, önceki görevlerden gelen bilgileri ve az miktarda yeni veriyi kullanarak modelleri ince ayar yapmak için uyarlanmış derin gömmeleri kullanmaktır, bu da sınırlı veri kümeleriyle çalışmayı kolaylaştırır.

Benzer şekilde, X-shot öğrenme, farklı miktarlarda veriye sahip görevleri ele almak için tasarlanmıştır. Modellerin sınırlı veya gürültülü etiketlerden öğrendiği zayıf denetim ve az veya hiç önceden örnek olmasa bile hızla uyum sağlamalarına yardımcı olacak net talimatlar kullanır. Bu hibrit yaklaşımlar, farklı öğrenme yöntemlerini entegre etmenin YZ sistemlerinin zorluklarla daha etkili bir şekilde başa çıkmasına nasıl yardımcı olabileceğini göstermektedir.

Link to this sectionÖne 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.

Topluluğumuza katılarak ve GitHub depomuza göz atarak YZ hakkında daha fazla şey keşfet. Otonom arabalarda YZ ve tarımda bilgisayarlı görü konularının geleceği nasıl şekillendirdiğini öğren. Başlamak için mevcut YOLO lisans seçeneklerine göz at!