Az örnekli, sıfır örnekli ve transfer öğrenmeyi anlama

Yapay zeka (AI) sistemleri; yüzleri tanıma, görüntüleri sınıflandırma ve insan girdisi çok az olacak şekilde araç kullanma gibi karmaşık görevleri yerine getirebilir. Bunu verileri inceleyerek, örüntüleri tanıyarak ve bu örüntüleri tahminlerde veya kararlarda kullanarak yaparlar. Yapay zeka geliştikçe, yapay zeka modellerinin öğrenme, uyum sağlama ve görevleri olağanüstü bir verimlilikle yerine getirme biçimlerinin giderek daha gelişmiş hâle geldiğine tanık oluyoruz.

Örneğin, bilgisayarlı görü, makinelerin dünyadan gelen görsel bilgileri yorumlayıp anlamasını sağlamaya odaklanan bir yapay zeka dalıdır. Geleneksel bilgisayarlı görü modeli geliştirme süreci, eğitim için büyük ve açıklama eklenmiş veri kümelerine büyük ölçüde dayanır. Bu tür verileri toplamak ve etiketlemek çok zaman alabilir ve maliyetli olabilir.

Bu zorlukların üstesinden gelmek için araştırmacılar, sınırlı sayıda örnekten öğrenen az örnekli öğrenme (FSL), görülmemiş nesneleri tanımlayan sıfır örnekli öğrenme (ZSL) ve önceden eğitilmiş modellerden edinilen bilgiyi yeni görevlere uygulayan aktarım öğrenmesi (TL) gibi yenilikçi yaklaşımlar ortaya koydu.

Bu makalede bu öğrenme paradigmalarının nasıl işlediğini inceleyecek, temel farklarını vurgulayacak ve gerçek dünyadaki uygulamalarına göz atacağız.

Öğrenme yaklaşımlarına genel bakış#

Bilgisayarlı görü bağlamında az örnekli öğrenmenin, sıfır örnekli öğrenmenin ve aktarım öğrenmesinin 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 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 resmi destek kümesindeki örneklerle karşılaştırır ve en yakın eşleşmeyi seçer. Çok miktarda veri toplamanın zor olduğu durumlarda bu yöntem faydalıdır; çünkü sistem yalnızca birkaç örnekle bile öğrenip uyum sağlayabilir.

Şekil 1. Az örnekli öğrenmenin nasıl çalıştığına genel bakış.

Sıfır örnekli öğrenme#

Sıfır örnekli öğrenme, makinelerin bir nesneye ait örneklere ihtiyaç duymadan daha önce hiç görmedikleri şeyleri tanımasını sağlayan bir yöntemdir. Bağlantılar kurmaya yardımcı olmak için açıklamalar gibi anlamsal bilgilerden yararlanır.

Örneğin bir makine, “küçük ve tüylü”, “büyük yaban kedisi” veya “uzun yüzlü” gibi özellikleri anlayarak kedi, aslan ve at gibi hayvanlar hakkında bilgi edindiyse bu bilgiyi kaplan gibi yeni bir hayvanı tanımak için kullanabilir. Daha önce hiç kaplan görmemiş olsa bile “koyu çizgileri olan, aslana benzeyen bir hayvan” gibi bir açıklamadan yararlanarak kaplanı doğru tanıyabilir. Böylece makineler çok sayıda örneğe ihtiyaç duymadan daha kolay öğrenip uyum sağlayabilir. YOLOE gibi açık sözcük dağarcıklı algılayıcılar, nesne algılamada aynı fikri yalnızca metin istemlerinden yola çıkarak nesnelerin konumunu bulmak için uygular.

Şekil 2. Sıfır örnekli öğrenme, açıklamalar kullanarak yeni nesneleri tanımlar.

Aktarım öğrenmesi#

Aktarım öğrenmesi, bir modelin bir görevden öğrendiklerini benzer ve yeni bir görevi çözmeye yardımcı olması için kullandığı bir öğrenme yaklaşımıdır. Bu teknik, nesne algılama, görüntü sınıflandırma ve örüntü tanıma gibi bilgisayarlı görü görevlerinde özellikle kullanışlıdır.

Örneğin, bilgisayarlı görüde önceden eğitilmiş bir model hayvanlar gibi genel nesneleri tanıyabilir, ardından farklı köpek ırkları gibi belirli türleri tanımlamak üzere aktarım öğrenmesiyle ince ayardan geçirilebilir. Önceki görevlerden edinilen bilgiyi yeniden kullanan aktarım öğrenmesi, daha küçük veri kümeleriyle bilgisayarlı görü modellerini eğitmeyi kolaylaştırarak zamandan ve emekten tasarruf sağlar.

Şekil 3. Transfer öğrenmenin nasıl işlediğine genel bakış.

Transfer öğrenmeyi hangi tür modellerin desteklediğini merak ediyor olabilirsin. Ultralytics YOLO11 (daha sonra yerini Ultralytics YOLO26 aldı), bunu yapabilen bir bilgisayarlı görü modeline harika bir örnektir. Bu, önce 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 kümesinde ince ayar yapılabilir ve özel olarak eğitilebilir.

Öğrenme yaklaşımlarını karşılaştırma#

Az örnekli öğrenme, sıfır örnekli öğrenme ve aktarım öğrenmesini ele aldığımıza göre, şimdi aralarındaki farkları görmek için bunları karşılaştıralım.

Şekil 4. Az örnekli, sıfır örnekli ve aktarım öğrenmesi arasındaki temel farklar. Görselin sahibi: yazar.

Az örnekli öğrenme, yalnızca az miktarda etiketli veriye sahip olduğunda kullanışlıdır. Bir yapay zeka modelinin yalnızca birkaç örnekten öğrenmesini mümkün kılar. Öte yandan sıfır örnekli öğrenme, etiketli veriye ihtiyaç duymaz. Bunun yerine, sistemin yeni görevleri yerine getirmesine yardımcı olmak için açıklamalar veya bağlam kullanır. Aktarım öğrenmesi ise önceden eğitilmiş modellerden edinilen bilgiyi kullanarak farklı bir yaklaşım benimser ve modellerin çok az ek veriye ihtiyaç duyarak yeni görevlere hızla uyum sağlamasına olanak tanır. Her yöntemin güçlü yönleri, çalıştığın veri türüne ve göreve bağlı olarak değişir.

Farklı öğrenme yaklaşımlarının gerçek dünyadaki uygulamaları#

Bu öğrenme yaklaşımları, yenilikçi çözümlerle karmaşık sorunları çözerek pek çok sektörde şimdiden fark yaratıyor. Gerçek dünyada nasıl uygulanabileceklerine daha yakından bakalım.

Az örnekli öğrenmeyle nadir hastalıkları teşhis etme#

Az örnekli öğrenme, özellikle tıbbi görüntüleme alanında sağlık sektörü için çok değerlidir. Doktorların büyük miktarda veriye ihtiyaç duymadan, yalnızca birkaç örnekle, hatta açıklamalarla nadir hastalıkları teşhis etmesine yardımcı olabilir. Nadir durumlar için büyük veri kümeleri toplamak zor olabildiğinden veri miktarının sınırlı olduğu durumlarda bu yöntem özellikle yararlıdır.

Örneğin, SHEPHERD, nadir görülen genetik bozuklukları teşhis etmek için az örnekli öğrenmeden ve biyomedikal bilgi grafiklerinden yararlanır. Belirtiler ve test sonuçları gibi hasta bilgilerini, bilinen gen ve hastalıklardan oluşan bir ağla eşleştirir. Bu, verilerin sınırlı olduğu durumlarda bile olası genetik nedeni belirlemeye ve benzer vakaları bulmaya yardımcı olur.

Şekil 5. SHEPHERD modeli, az miktarda veri kullanarak nadir hastalıkları teşhis eder.

Sıfır örnekli öğrenmeyle bitki hastalıklarının tespitini iyileştirme#

Tarımda bitki hastalıklarını hızla belirlemek çok önemlidir; çünkü tespitteki gecikmeler yaygın ürün hasarına, verimin düşmesine ve ciddi mali kayıplara yol açabilir. Geleneksel yöntemler genellikle büyük veri kümelerine ve uzman bilgisine dayanır; bunlara özellikle uzak veya kaynakları kısıtlı bölgelerde her zaman erişilemeyebilir. Sıfır örnekli öğrenme gibi yapay zeka alanındaki gelişmeler tam da bu noktada devreye giriyor.

Bir çiftçinin domates ve patates yetiştirdiğini ve yapraklarda sararma veya kahverengi lekeler gibi belirtiler fark ettiğini düşünelim. Sıfır örnekli öğrenme, büyük veri kümelerine ihtiyaç duymadan mildiyö gibi hastalıkları belirlemeye yardımcı olabilir. Model, belirtilerin açıklamalarını kullanarak daha önce karşılaşmadığı hastalıkları sınıflandırabilir. Bu yaklaşım hızlı ve ölçeklenebilirdir; çiftçilerin çeşitli bitki sorunlarını tespit etmesine olanak tanır. Ürünlerin sağlığını daha verimli izlemelerine, zamanında önlem almalarına ve kayıpları azaltmalarına yardımcı olur.

Şekil 6. Bitki hastalıklarını belirlemek için sıfır örnekli öğrenme kullanımı.

Otonom araçlar ve aktarım öğrenmesi#

Otonom araçların güvenli bir şekilde yol alabilmesi için genellikle farklı ortamlara uyum sağlaması gerekir. Aktarım öğrenmesi, eğitim sürecine baştan başlamadan araçların önceki bilgilerini kullanarak yeni koşullara hızla uyum sağlamasına yardımcı olur. Araçların görsel bilgileri yorumlamasını sağlayan bilgisayarlı görüyle bir araya gelen bu teknolojiler, farklı arazi ve hava koşullarında daha akıcı bir sürüş sağlayarak otonom araç kullanımını daha verimli ve güvenilir hâle getirir.

Bu teknolojinin kullanımına iyi bir örnek, park yerlerini izlemek için Ultralytics YOLO11 kullanan bir otopark yönetim sistemidir. Önceden eğitilmiş bir nesne algılama modeli olan YOLO11, aktarım öğrenmesiyle ince ayardan geçirilerek boş ve dolu park yerlerini gerçek zamanlı olarak belirleyebilir. Model, daha küçük bir otopark görüntüleri veri kümesiyle eğitildiğinde boş yerleri, dolu yerleri ve hatta rezerve edilmiş alanları doğru biçimde algılamayı öğrenir.

Şekil 7. Ultralytics YOLO11 kullanarak otopark yönetimi.

Diğer teknolojilerle entegre edilen bu sistem, sürücüleri en yakın boş park yerine yönlendirerek arama süresini ve trafik sıkışıklığını azaltmaya yardımcı olabilir. Aktarım öğrenimi, Ultralytics YOLO11’in mevcut nesne algılama yeteneklerinden yararlanarak bunu mümkün kılar ve sistemin sıfırdan başlamadan otopark yönetiminin özel ihtiyaçlarına uyum sağlamasına olanak tanır. Bu yaklaşım, park operasyonlarını iyileştirip genel kullanıcı deneyimini geliştirirken zamandan ve kaynaklardan tasarruf sağlar ve son derece verimli, ölçeklenebilir bir çözüm oluşturur.

Öğrenme paradigmalarında yükselen trendler#

Bilgisayarlı görüde öğrenme paradigmalarının geleceği, daha akıllı ve sürdürülebilir görsel yapay zekâ sistemleri geliştirmeye doğru ilerliyor. Özellikle öne çıkan trendlerden biri, az örnekli öğrenmeyi, sıfır örnekli öğrenmeyi ve aktarım öğrenimini bir araya getiren hibrit yaklaşımların kullanılmasıdır. Bu yöntemlerin güçlü yönlerini birleştiren modeller, az miktarda veriden yeni görevleri öğrenebilir ve öğrendiklerini farklı alanlarda uygulayabilir.

İlgi çekici bir örnek, önceki görevlerden edinilen bilgiyi ve az miktarda yeni veriyi kullanarak modellerde ince ayar yapmak için uyarlanmış derin gömmelerden yararlanmaktır; bu, sınırlı veri kümeleriyle çalışmayı kolaylaştırır.

Benzer şekilde, X-örnekli öğrenme, farklı miktarlarda veri içeren görevleri ele almak üzere tasarlanmıştır. Modellerin sınırlı sayıda veya gürültülü etiketten öğrenmesini sağlayan zayıf denetimden ve modellerin kullanılabilir önceki örnekler az olsa, hatta hiç olmasa bile hızla uyum sağlamasına yardımcı olan açık talimatlardan yararlanır. Bu hibrit yaklaşımlar, farklı öğrenme yöntemlerini birleştirmenin yapay zekâ sistemlerinin zorlukları daha etkili biçimde aşmasına nasıl yardımcı olabileceğini gösteriyor.

Önemli çıkarımlar#

Az örnekli öğrenme, sıfır örnekli öğrenme ve aktarım öğrenimi, bilgisayarlı görüde farklı zorlukları ele alarak farklı görevler için uygun hâle gelir. Doğru yaklaşım, uygulamaya ve kullanılabilir veri miktarına bağlıdır. Örneğin az örnekli öğrenme sınırlı verilerle iyi çalışırken sıfır örnekli öğrenme, görülmemiş veya aşina olunmayan sınıfları ele almak için idealdir.

İleride, görsel, dil ve sesi birleştiren hibrit modeller oluşturmak için bu yöntemleri bir araya getirmek temel odak noktalarından biri olacak gibi görünüyor. Bu gelişmeler, yapay zekâ sistemlerini daha esnek, verimli ve karmaşık sorunları çözme kapasitesine sahip hâle getirmeyi, böylece alanda yenilik için yeni olanaklar sunmayı amaçlıyor.

Topluluğumuza katılarak ve GitHub depomuzu inceleyerek yapay zekâ hakkında daha fazla bilgi edin. Otonom araçlarda yapay zekânın ve tarımda bilgisayarlı görünün geleceği nasıl yeniden şekillendirdiğini öğren. Başlamak için mevcut YOLO lisanslama seçeneklerine göz at!