Aktif Öğrenme

Aktif öğrenme dinamik bir yaklaşımdır optimize etmek için tasarlanmış makine öğrenimi (ML) Ek açıklama için en bilgilendirici veri noktalarını seçerek eğitim süreci. Standart gözetim altında öğrenmede, bir model pasif olarak büyük, önceden etiketlenmiş bir veri kümesi ile beslenir, bu da eğer veriler gereksiz veya bilgilendirici olmayan örnekler içerir. Aktif öğrenme, modelin aşağıdakileri yapmasına izin vererek bu paradigmayı değiştirir Bir bilgi kaynağını (genellikle bir insan uzman veya "kahin") belirli bir etiket istemek için etkileşimli olarak sorgular, belirsiz örnekler. Bu hedefe yönelik strateji, aşağıdaki işlemlerin miktarını önemli ölçüde azaltır yüksek eğitim verisi elde etmek için gerekli doğruluğu ile sınırlı projeler için idealdir. bütçeler veya katı zaman kısıtlamaları.

Aktif Öğrenme Döngüsü

Aktif öğrenme süreci, genellikle aşağıdaki gibi tanımlanan yinelemeli bir döngü olarak işler döngü içinde insan iş akışı. Bu döngüsü, insan çabasının yalnızca modelin iyileştirilmesine en çok katkıda bulunan verilere odaklanmasını sağlar. Bu tipik iş akışı şunları içerir:

1. Başlatma: Bir model, örneğin Ultralytics YOLO11başlangıçta küçük bir örnek üzerinde eğitilir. etiketli tohum veri kümesi.
2. Sorgulama: Model, büyük bir etiketsiz veri havuzu üzerinde tahminler yürütür. Bir sorgu stratejisi kullanarak güveninin düşük olduğu örnekleri tanımlar veya tahminlerin belirsiz olduğu yerlerde.
3. Açıklama: Bu yüksek öncelikli "belirsiz" numuneler, bir insan yorumcuya gönderilir. Etiketleme.
4. Güncelleme: Yeni etiketlenen örnekler eğitim setine eklenir ve Algoritmayı iyileştirmek için model eğitim süreci tekrarlanır.

Bu yöntemin etkinliği büyük ölçüde örnekleme stratejisine bağlıdır. Belirsizlik örneklemesi algoritmanın karar sınırına en yakın örnekleri seçtiği en yaygın tekniktir. Kapsamlı ayrıntılar Bu stratejiler hakkında çeşitli aktif öğrenme literatür araştırmaları.

Python Örneği: YOLO11 ile Belirsizlik Örneklemesi

Aşağıdaki kod parçacığı, temel bir belirsizlik örnekleme döngüsünün nasıl uygulanacağını göstermektedir. Bir model yükler, tahmin eder ve düşük güvenirlikli tespitleri belirleyerek bunları manuel inceleme için işaretler.

from ultralytics import YOLO

# Load a pre-trained YOLO11 model
model = YOLO("yolo11n.pt")

# Run inference on a list or directory of unlabeled images
results = model.predict(["image1.jpg", "image2.jpg"])

# Identify images where the model is uncertain
uncertain_samples = []
for result in results:
    # Check if detections exist and if the maximum confidence is below a threshold
    if result.boxes.conf.numel() > 0 and result.boxes.conf.max() < 0.6:
        uncertain_samples.append(result.path)
        print(f"Flagging {result.path} for manual labeling.")

print(f"Total uncertain images found: {len(uncertain_samples)}")

Gerçek Dünya Uygulamaları

Aktif öğrenme özellikle aşağıdaki alanlarda değerlidir veri etiketleme pahalıdır veya uzmanlık gerektirir Uzmanlık.

• Tıbbi Görüntü Analizi: Sağlık hizmetlerinde, aşağıdaki gibi görevler için etiketli verilerin elde edilmesi Beyin tümörü tespiti genellikle yüksek nitelikli radyologların zamanı. Binlerce rutin taramayı etiketlemek yerine, aktif öğrenme sistemleri şunları yapabilir uzman incelemesi için nadir veya belirsiz anomalileri belirler. Araştırma biyomedikal görüntü segmentasyonu bunun yaklaşımı, tanısal hassasiyeti korurken ek açıklama çabalarını büyük ölçüde azaltabilir.
• Otonom Araçlar: Sürücüsüz araçlar büyük miktarda video verisi toplar. Her kareyi etiketlemek pratik değildir. Aktif öğrenme mühendislerin olağandışı hava koşulları veya kostümlü yayalar gibi "uç durumları" bulmalarına yardımcı olur. mevcut nesne algılama modeli classify. gibi şirketler, bu zorlu senaryolara öncelik vererek NVIDIA güvenliğini ve sağlamlığını artırmak algılama sistemleri.

İlgili Kavramlardan Ayrım

Aktif öğrenme, etiketsiz verilerin kullanılmasını içerirken, diğer makine öğrenimi paradigmalarından farklıdır:

• Yarı Denetimli Öğrenme: Bu yöntem eğitim sırasında hem etiketli hem de etiketsiz verileri kullanır ancak bunu genellikle pasif olarak yapar. Genellikle dayanır etiketleri yaymak için veri dağılımı hakkındaki varsayımlara dayanırken, aktif öğrenme açıkça yeni etiketleri sorgular. Bilgi.
• Kendi Kendine Denetimli Öğrenme: Bu yaklaşımda model, veri yapısından kendi denetim sinyallerini oluşturur (örn. bir görüntünün eksik kısmı). Etiketsiz kısım için etiket oluşturmak için insan etkileşimi gerektirmez, bu da önemli bir Google AI gibi laboratuvarlarda araştırma alanı.
• Pekiştirmeli Öğrenme: Bu, bir ajanın bir çevreden ödüller veya cezalar alarak karar vermeyi öğrenmesini içerir. Aksine Veri noktaları için statik etiketler arayan aktif öğrenme, pekiştirmeli öğrenme bir diziyi optimize etmeye odaklanır eylemlerin.

MLOps'a Entegrasyon

Aktif öğrenmeyi uygulamak için sağlam bir Makine Öğrenimi Operasyonları (MLOps) Model, veri kümesi ve açıklama arayüzü arasındaki veri akışını yönetmek için boru hattı. Verileri destekleyen araçlar versiyonlama ve yönetim, hangi örneklerin sorgulandığını takip etmek için gereklidir. Genel amaçlı kütüphaneler gibi scikit-learn bazı faydalar sunsa da, bilgisayarla görme iş akışları genellikle aşağıdakilerle özel entegrasyon gerektirir Seçilen görüntüleri görselleştirmek ve açıklama eklemek için görüntü veri kümeleri etkili bir şekilde. İleri düzey kullanıcılar Tahmin çıktılarının nasıl olduğunu görmek için Ultralytics GitHub deposu bu veri iyileştirme döngülerini besleyecek şekilde yapılandırılabilir.