Active Learning

Aktif Öğrenme, algoritmanın önceden etiketlenmiş bir veri setini pasif olarak kabul etmek yerine, etiketleme için en bilgilendirici veri noktalarını proaktif bir şekilde seçtiği makine öğrenmesi (ML) alanında stratejik bir yaklaşımdır. Geleneksel denetimli öğrenmede, modeller genellikle oluşturulması pahalı ve zaman alıcı olabilen devasa miktarlarda açıklanmış veriye ihtiyaç duyar. Aktif öğrenme; "belirsiz" veya "zor" örnekleri —karar sınırına yakın olan veya modelin güven duymadığı durumlar— belirleyip insan etiketleyicilerden sadece bu belirli örnekleri etiketlemelerini isteyerek bu süreci optimize eder. Bu döngüsel süreç, modellerin önemli ölçüde daha az etiketli örnekle yüksek doğruluk oranlarına ulaşmasını sağlayarak kısıtlı bütçeye veya zaman kısıtlamalarına sahip projeler için oldukça verimli hale getirir.

Link to this sectionAktif Öğrenme Döngüsü Nasıl Çalışır#

Aktif öğrenmenin merkezinde, genellikle döngü içi insan olarak adlandırılan bir geri bildirim döngüsü yer alır. Model, statik bir veri seti üzerinde bir kez eğitilmek yerine, sorgulama ve güncelleme döngüleriyle gelişir.

1. Initialization: The process begins with a small set of labeled training data used to train an initial model, such as Ultralytics YOLO26.

2. Sorgu Seçimi: Model, etiketlenmemiş geniş bir veri havuzunu değerlendirir. En yaygın olan belirsizlik örneklemesi (uncertainty sampling) gibi bir sorgu stratejisi kullanarak, tahminlerinin en az güvenilir olduğu görüntüleri veya metinleri seçer.

3. Etiketleme: Bu yüksek öncelikli örnekler, aktif öğrenme literatüründe genellikle "kahin" olarak adlandırılan bir insan uzmana, veri etiketleme için gönderilir.

4. Yeniden Eğitme: Yeni etiketlenen veriler eğitim setine eklenir ve model yeniden eğitilir. Bu güncellenmiş model, bir sonraki karmaşık örnek grubunu seçmek için daha donanımlı hale gelir.

Link to this sectionGerçek Dünya Uygulamaları#

Aktif öğrenme, verinin bol olduğu ancak etiketlemenin uzmanlık gerektirdiği veya yüksek maliyetli olduğu endüstrilerde vazgeçilmezdir.

• Tıbbi Görüntü Analizi: Radyoloji gibi alanlarda etiketleme, zamanı son derece değerli olan kurul onaylı uzmanlar gerektirir. Bir doktordan binlerce net taramayı açıklamasını istemek yerine, aktif öğrenme sistemi, erken evre tümörler veya nadir anomaliler gibi belirsiz vakaları filtreleyerek uzmanın yalnızca modelin tanı koyma kapasitesini gerçekten geliştiren görüntülere odaklanmasını sağlayabilir.
• Autonomous Vehicles: Self-driving cars generate petabytes of video data. Labeling every frame is impossible. Active learning helps engineers identify edge cases, such as pedestrians wearing costumes or driving in heavy snow, which standard object detection models might miss. By prioritizing these rare scenarios, companies improve safety without wasting resources on repetitive highway footage.

Link to this sectionPython Örneği: Belirsiz Tahminleri Filtreleme#

Aşağıdaki örnek, Ultralytics YOLO26 kullanarak basit bir "belirsizlik örneklemesi" mantığını göstermektedir. Bir model yüklüyor, görüntüler üzerinde çıkarım yapıyor ve manuel inceleme için güven puanı belirli bir eşiğin altında kalanları işaretliyoruz.

from ultralytics import YOLO

# Load the latest YOLO26 model
model = YOLO("yolo26n.pt")

# List of unlabeled image paths
unlabeled_images = ["https://ultralytics.com/images/bus.jpg", "https://ultralytics.com/images/zidane.jpg"]

# Run inference
results = model(unlabeled_images)

# Identify samples with low confidence for active learning
uncertain_threshold = 0.6
for result in results:
    # Check if any detection confidence is below the threshold
    if result.boxes.conf.numel() > 0 and result.boxes.conf.min() < uncertain_threshold:
        print(f"Active Learning Query: {result.path} needs human labeling.")

Link to this sectionİlgili Kavramları Ayırt Etme#

Aktif öğrenmeyi benzer eğitim paradigmalarından ayırt etmek önemlidir:

• Yarı Denetimli Öğrenme: Her iki yöntem de etiketlenmemiş verileri kullansa da, yarı denetimli öğrenme modelin yüksek güvenli tahminlerine dayanarak verilere otomatik olarak sözde etiketler atar. Buna karşılık aktif öğrenme, düşük güvenli tahminler için açıkça insan girdisi ister.
• Transfer Öğrenme: Bu, önceden eğitilmiş bir modeli (örneğin ImageNet üzerinde eğitilmiş bir model) alıp yeni bir göreve uyarlamayı içerir. Aktif öğrenme hangi verinin etiketleneceğine odaklanırken, transfer öğrenme öğrenilmiş özelliklerin yeniden kullanılmasına odaklanır.
• Pekiştirmeli Öğrenme: Burada bir ajan, bir ortamla etkileşime girerek ve ödüller alarak öğrenir. Aktif öğrenme, bir ödül için eylem dizisini optimize etmek yerine bir kahinden statik gerçek değer etiketleri aradığı için farklıdır.

Link to this sectionMLOps ile Entegrasyon#

Aktif öğrenmeyi etkili bir şekilde uygulamak, sağlam bir Makine Öğrenmesi Operasyonları (MLOps) hattı gerektirir. Veri sürümünü yönetmek, yeniden eğitim işlerini tetiklemek ve etiketleme arayüzünü insanlara sunmak için altyapıya ihtiyacın vardır. Ultralytics ekosistemi ile entegre olan araçlar, kullanıcıların çıkarım, veri kürasyonu ve eğitim arasında sorunsuz bir şekilde geçiş yapmalarını sağlar. Örneğin, özel eğitim betiklerini kullanmak, geliştiricilerin yeni aktif öğrenme verisi gruplarını YOLO modellerine hızla dahil etmelerine olanak tanır.

Örnekleme stratejileri hakkında daha fazla okuma için araştırmacılar genellikle aktif öğrenme literatüründeki kapsamlı anketlere başvururlar. Ayrıca, aktif öğrenme döngüsünün performansı gerçekten artırdığını doğrulamak için model değerlendirme metriklerini anlamak çok önemlidir.