Az örnekli, sıfır örnekli ve transfer öğrenmeyi anlama

Yapay zeka (AI) sistemleri, yüzleri tanıma, görüntüleri sınıflandırma ve arabaları minimum insan girdisiyle sürme gibi karmaşık görevleri yerine getirebilir. Bunu, verileri inceleyerek, kalıpları tanıyarak ve bu kalıpları tahminlerde veya kararlarda bulunmak için kullanarak yaparlar. AI ilerledikçe, AI modellerinin dikkate değer bir verimlilikle görevleri öğrenme, uyum sağlama ve gerçekleştirme konusunda giderek daha karmaşık yollarına tanık oluyoruz.

Örneğin, bilgisayar görüşü, makinelerin dünyadan görsel bilgileri yorumlamasını ve anlamasını sağlamaya odaklanan bir yapay zeka dalıdır. Geleneksel bilgisayar görüşü modeli geliştirme, eğitim için büyük, etiketlenmiş veri kümelerine büyük ölçüde dayanır. Bu tür verileri toplamak ve etiketlemek zaman alıcı ve maliyetli olabilir. 

Bu zorlukların üstesinden gelmek için araştırmacılar, sınırlı örneklerden öğrenen az örnekli öğrenme (FSL); görülmemiş nesneleri tanımlayan sıfır örnekli öğrenme (ZSL); ve önceden eğitilmiş modellerden elde edilen bilgileri yeni görevlere uygulayan transfer öğrenme (TL) gibi yenilikçi yaklaşımlar sunmuştur.

Bu makalede, bu öğrenme paradigmalarının nasıl çalıştığını inceleyecek, temel farklılıklarını vurgulayacak ve gerçek dünya uygulamalarına bakacağız. Hadi başlayalım!

Öğrenme paradigmalarına genel bakış

Bilgisayarlı görü ile ilgili olarak az örnekli öğrenme, sıfır örnekli öğrenme ve transfer öğrenmenin ne olduğunu ve nasıl çalıştığını keşfedelim. 

Az veriyle öğrenme

Az örnekli öğrenme, sistemlerin sadece birkaç 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 nasıl göründüğünü öğrenir. 

Daha sonra, modele penguen gibi yeni bir resim gösterirseniz, bu yeni resmi destek kümesindekilerle karşılaştırır ve en yakın eşleşmeyi seçer. Büyük miktarda veri toplamak zor olduğunda, bu yöntem faydalıdır çünkü sistem yalnızca birkaç örnekle bile öğrenebilir ve uyum sağlayabilir.

‍

Sıfır Atışlı Öğrenme (Zero-shot learning)

Sıfır atışlı öğrenme (Zero-shot learning), makinelerin daha önce hiç görmedikleri şeyleri, onlara ait örneklere ihtiyaç duymadan tanıyabilmelerinin bir yoludur. Bağlantı kurmaya yardımcı olmak için açıklamalar gibi semantik bilgileri kullanır.

Örneğin, bir makine "küçük ve tüylü", "büyük vahşi kedi" veya "uzun yüz" gibi özellikleri anlayarak kedi, aslan ve at gibi hayvanlar hakkında bilgi edinmişse, bu bilgiyi kaplan gibi yeni bir hayvanı tanımlamak için kullanabilir. Daha önce hiç kaplan görmemiş olsa bile, "koyu çizgili aslana benzer bir hayvan" gibi bir açıklama kullanarak doğru bir şekilde tanımlayabilir. Bu, makinelerin çok sayıda örneğe ihtiyaç duymadan öğrenmesini ve uyum sağlamasını kolaylaştırır.

‍

Transfer öğrenimi

Transfer öğrenimi, bir modelin bir görevden öğrendiklerini benzer, yeni bir görevi çözmeye yardımcı olmak için kullandığı bir öğrenme paradigmasıdır. Bu teknik, nesne tespiti, görüntü sınıflandırması ve örüntü tanıma gibi bilgisayarlı görü görevleri söz konusu olduğunda özellikle yararlıdır. 

Örneğin, bilgisayarlı görüde, önceden eğitilmiş bir model hayvanlar gibi genel nesneleri tanıyabilir ve daha sonra transfer öğrenimi yoluyla farklı köpek ırkları gibi belirli olanları tanımlamak için ince ayar yapılabilir. Transfer öğrenimi, önceki görevlerden elde edilen bilgileri yeniden kullanarak, daha küçük veri kümelerinde bilgisayarlı görü modellerini eğitmeyi kolaylaştırır, zamandan ve emekten tasarruf sağlar.

‍

Ne tür modellerin transfer öğrenmeyi desteklediğini merak ediyor olabilirsiniz. Ultralytics YOLO11 bunu yapabilen bir bilgisayarlı görü modeline harika bir örnektir. İlk olarak büyük, genel bir veri kümesi üzerinde önceden eğitilmiş, son teknoloji bir nesne algılama modelidir. Bundan sonra, ince ayar yapılabilir ve belirli görevler için daha küçük, özel bir veri kümesi üzerinde özel olarak eğitilebilir.

Öğrenme paradigmalarını karşılaştırma

Birkaç atışlı öğrenme, sıfır atışlı öğrenme ve transfer öğrenmeyi konuştuğumuza göre, nasıl farklı olduklarını görmek için karşılaştıralım.

‍

Az veriyle öğrenme, yalnızca az miktarda etiketlenmiş veriye sahip olduğunuzda kullanışlıdır. Bir yapay zeka modelinin sadece birkaç örnekten öğrenmesini mümkün kılar. Öte yandan, sıfır veriyle öğrenme herhangi bir etiketlenmiş veri gerektirmez. Bunun yerine, sistemin yeni görevlerin üstesinden gelmesine yardımcı olmak için açıklamaları veya bağlamı kullanır. Bu arada, transfer öğrenimi, önceden eğitilmiş modellerden elde edilen bilgileri kullanarak farklı bir yaklaşım benimser ve minimum ek veriyle yeni görevlere hızla uyum sağlamalarına olanak tanır. Her yöntemin, üzerinde çalıştığınız veri türüne ve göreve bağlı olarak kendi güçlü yönleri vardır.

Çeşitli öğrenme paradigmalarının gerçek dünya uygulamaları

Bu öğrenme paradigmaları, yenilikçi çözümlerle karmaşık sorunları çözerek birçok sektörde şimdiden fark yaratıyor. Şimdi bunların gerçek dünyada nasıl uygulanabileceğine daha yakından bakalım.

Az sayıda örnekle nadir hastalıkları teşhis etme

Az veriyle öğrenme, özellikle tıbbi görüntüleme alanında sağlık sektörü için oyun değiştiricidir. Doktorların, büyük miktarda veriye ihtiyaç duymadan, sadece birkaç örnek veya hatta açıklamayı kullanarak nadir hastalıkları teşhis etmelerine yardımcı olabilir. Bu, özellikle verilerin sınırlı olduğu durumlarda kullanışlıdır; çünkü nadir durumlar için büyük veri kümeleri toplamak genellikle zordur.

Örneğin, SHEPHERD, nadir genetik bozuklukları teşhis etmek için az atışlı öğrenme ve biyomedikal bilgi grafikleri kullanır. Semptomlar ve test sonuçları gibi hasta bilgilerini, bilinen genler ve hastalıklar ağına eşler. Bu, veri sınırlı olsa bile olası genetik nedeni belirlemeye ve benzer vakaları bulmaya yardımcı olur. 

‍

Sıfır atışlı öğrenme ile bitki hastalığı tespitini iyileştirme

Tarımda, bitki hastalıklarını hızlı bir şekilde tanımlamak çok önemlidir, çünkü tespitteki gecikmeler yaygın ürün hasarına, verim düşüşüne ve önemli mali kayıplara yol açabilir. Geleneksel yöntemler genellikle geniş veri kümelerine ve uzman bilgisine dayanır ve bu da özellikle uzak veya kaynakları kısıtlı alanlarda her zaman erişilebilir olmayabilir. Sıfır atışlı öğrenme gibi yapay zeka alanındaki gelişmelerin devreye girdiği yer burasıdır.

Diyelim ki bir çiftçi domates ve patates yetiştiriyor ve sararan yapraklar veya kahverengi lekeler gibi belirtiler fark ediyor. Sıfır örnekli öğrenme, büyük veri kümelerine ihtiyaç duymadan geç yanıklık gibi hastalıkları tanımlamaya yardımcı olabilir. Belirtilerin açıklamalarını kullanarak, model daha önce görmediği hastalıkları sınıflandırabilir. Bu yaklaşım hızlı, ölçeklenebilir ve çiftçilerin çeşitli bitki sorunlarını tespit etmelerini sağlar. Mahsul sağlığını daha verimli bir şekilde izlemelerine, zamanında harekete geçmelerine ve kayıpları azaltmalarına yardımcı olur.

‍

Otonom araçlar ve transfer öğrenimi

Otonom araçların güvenli bir şekilde hareket edebilmeleri için farklı ortamlara uyum sağlamaları gerekir. Transfer öğrenimi, önceden edindikleri bilgileri kullanarak eğitimlerine sıfırdan başlamadan yeni koşullara hızla adapte olmalarına yardımcı olur. Araçların görsel bilgileri yorumlamasına yardımcı olan bilgisayar görüşü ile birlikte bu teknolojiler, farklı arazi ve hava koşullarında daha sorunsuz bir navigasyon sağlayarak otonom sürüşü daha verimli ve güvenilir hale getirir.

Bunun iyi bir örneği, park yerlerini izlemek için Ultralytics YOLO11'i kullanan bir otopark yönetim sistemidir. Önceden eğitilmiş bir nesne algılama modeli olan YOLO11, gerçek zamanlı olarak boş ve dolu park yerlerini belirlemek için transfer öğrenimi kullanılarak ince ayar yapılabilir. Model, otopark görüntülerinden oluşan daha küçük bir veri kümesi üzerinde eğitilerek açık alanları, dolu yerleri ve hatta ayrılmış alanları doğru bir şekilde algılamayı öğrenir.

‍

Diğer teknolojilerle entegre edilen bu sistem, sürücüleri en yakın müsait yere yönlendirerek arama süresini ve trafik sıkışıklığını azaltmaya yardımcı olabilir. Transfer öğrenimi, YOLO11'in mevcut nesne algılama yetenekleri üzerine inşa edilerek, park yönetimi ihtiyaçlarına sıfırdan başlamadan uyum sağlamasına olanak tanıyarak bunu mümkün kılar. Bu yaklaşım, park operasyonlarını iyileştiren ve genel kullanıcı deneyimini geliştiren son derece verimli ve ölçeklenebilir bir çözüm oluştururken zamandan ve kaynaklardan tasarruf sağlar.

Öğrenme paradigmalarındaki yeni trendler

Bilgisayar görüşünde öğrenme paradigmalarının geleceği, daha akıllı ve sürdürülebilir Vision AI sistemleri geliştirmeye doğru eğiliyor. Özellikle, büyüyen bir eğilim, az örnekli öğrenme, sıfır örnekli öğrenme ve transfer öğrenmeyi birleştiren hibrit yaklaşımların kullanılmasıdır. Bu yöntemlerin güçlü yönlerini harmanlayarak, modeller minimum veriyle yeni görevleri öğrenebilir ve bilgilerini farklı alanlarda uygulayabilir.

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

Benzer şekilde, X-shot öğrenimi, farklı miktarlarda veri içeren görevleri ele almak için tasarlanmıştır. Modellerin sınırlı veya gürültülü etiketlerden öğrendiği zayıf denetimi ve hızlı bir şekilde uyum sağlamalarına yardımcı olacak net talimatları kullanır, hatta mevcut ön örnekler çok az veya hiç olmasa bile. Bu hibrit yaklaşımlar, farklı öğrenme yöntemlerini entegre etmenin yapay zeka sistemlerinin zorlukların üstesinden daha etkili bir şekilde gelmesine nasıl yardımcı olabileceğini gösteriyor.

Önemli çıkarımlar

Az veriyle öğrenme, sıfır veriyle öğrenme ve transfer öğrenimi, bilgisayarlı görüdeki belirli zorlukların her birini ele alarak, onları farklı görevler için uygun hale getirir. Doğru yaklaşım, belirli uygulamaya ve ne kadar veri mevcut olduğuna bağlıdır. Örneğin, az veriyle öğrenme sınırlı verilerle iyi çalışırken, sıfır veriyle öğrenme görülmemiş veya bilinmeyen sınıflarla başa çıkmak için harikadır.

İleriye baktığımızda, vizyonu, dili ve sesi entegre eden hibrit modeller oluşturmak için bu yöntemleri birleştirmenin önemli bir odak noktası olması muhtemeldir. Bu gelişmeler, yapay zeka sistemlerini daha esnek, verimli ve karmaşık sorunların üstesinden gelebilecek hale getirmeyi amaçlayarak, alanında yenilik için yeni olanaklar sunmaktadır.

Topluluğumuza katılarak ve GitHub depomuzu inceleyerek yapay zeka hakkında daha fazla bilgi edinin. Otonom sürüşlü araçlarda yapay zeka ve tarımda bilgisayarlı görü teknolojilerinin geleceği nasıl yeniden şekillendirdiğini öğrenin. Başlamak için mevcut YOLO lisansı seçeneklerine göz atın!