Active Learning

Aktif Öğrenme, makine öğrenimi (ML) alanında, önceden etiketlenmiş bir veri kümesini pasif biçimde kabul etmek yerine, etiketleme için en bilgilendirici veri noktalarını proaktif olarak seçen stratejik bir yaklaşımdır. Geleneksel denetimli öğrenme süreçlerinde modeller, oluşturulması pahalı ve zaman alıcı olabilen çok büyük miktarlarda açıklamalı veriye ihtiyaç duyar. Aktif öğrenme, karar sınırına yakın olan veya modelin güveninin düşük olduğu "belirsiz" ya da "zor" örnekleri belirleyerek ve insan açıklayıcılardan yalnızca bu belirli örnekleri etiketlemelerini isteyerek bu süreci optimize eder. Bu yinelemeli döngü, modellerin önemli ölçüde daha az etiketli örnekle yüksek doğruluk elde etmesini sağlar ve sınırlı bütçesi veya zaman kısıtlamaları olan projeler için aktif öğrenmeyi son derece verimli hâle getirir.

Aktif Öğrenme Döngüsü Nasıl Çalışır#

Aktif öğrenmenin temelinde, genellikle insanın döngüde olduğu süreç olarak adlandırılan bir geri bildirim döngüsü bulunur. Model, statik bir veri kümesiyle tek seferde eğitilmek yerine, sorgulama ve güncelleme döngüleriyle gelişir.

1. Başlatma: Süreç, Ultralytics YOLO26 gibi bir başlangıç modelini eğitmek için kullanılan küçük bir etiketli eğitim verisi kümesiyle başlar.

2. Sorgu Seçimi: Model, büyük bir etiketsiz veri havuzunu değerlendirir. Bir sorgu stratejisi (en yaygın olarak belirsizlik örneklemesi) kullanarak, tahminlerinden en az emin olduğu görüntüleri veya metinleri seçer.

3. Açıklama: Bu yüksek öncelikli örnekler, aktif öğrenme literatüründe genellikle "oracle" olarak adlandırılan bir insan uzmanına veri etiketleme için gönderilir.

4. Yeniden Eğitim: Yeni etiketlenen veriler eğitim kümesine eklenir ve model yeniden eğitilir. Bu güncellenmiş model, bir sonraki kafa karıştırıcı örnek grubunu seçmek için artık daha iyi donanıma sahiptir.

Gerçek Dünya Uygulamaları#

Aktif öğrenme, verinin bol olduğu ancak etiketlemenin uzmanlık bilgisi veya yüksek maliyet gerektirdiği sektörlerde vazgeçilmezdir.

• Tıbbi Görüntü Analizi: Radyoloji gibi alanlarda etiketleme, zamanları son derece değerli olan kurul sertifikalı uzmanlar gerektirir. Bir doktordan binlerce net taramayı açıklamasını istemek yerine, aktif öğrenme sistemi erken evre tümörler veya nadir anomaliler gibi belirsiz vakaları filtreleyebilir ve uzmanın yalnızca modelin tanı kapasitesini gerçekten geliştiren görüntülere odaklanmasını sağlayabilir.
• Otonom Araçlar: Otonom araçlar petabaytlarca video verisi üretir. Her karenin etiketlenmesi imkânsızdır. Aktif öğrenme, mühendislerin kostüm giyen yayalar veya yoğun karda araç kullanma gibi standart nesne algılama modellerinin gözden kaçırabileceği uç durumları belirlemesine yardımcı olur. Şirketler bu nadir senaryolara öncelik vererek tekrarlayan otoyol görüntüleri üzerinde kaynak israf etmeden güvenliği artırır.

Python Örneği: Belirsiz Tahminleri Filtreleme#

Aşağıdaki örnek, Ultralytics YOLO26 kullanarak basit bir "belirsizlik örneklemesi" mantığını gösterir. Bir model yükler, görüntüler üzerinde çıkarım çalıştırır ve güven puanı belirli bir eşik değerinin altında olanları manuel inceleme için işaretleriz.

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.")

İlişkili Kavramları Ayırt Etme#

Aktif öğrenmeyi benzer eğitim paradigmalarından ayırt etmek önemlidir:

• Yarı Denetimli Öğrenme: Her iki yöntem de etiketsiz verilerden yararlansa da yarı denetimli öğrenme, modelin yüksek güvenli tahminlerine dayanarak verilere otomatik olarak sözde etiketler atar. Buna karşılık aktif öğrenme, düşük güvenli tahminler hakkında açıkça insan girdisi ister.
• Aktarım Öğrenmesi: Bu yaklaşım, önceden eğitilmiş bir modeli (ImageNet üzerinde eğitilmiş bir model gibi) alıp yeni bir göreve uyarlamayı içerir. Aktif öğrenme hangi verilerin etiketleneceğine odaklanırken aktarım öğrenmesi öğrenilmiş özelliklerin yeniden kullanılmasına odaklanır.
• Pekiştirmeli Öğrenme: Burada bir ajan, bir ortamla etkileşime girerek ve ödüller alarak öğrenir. Aktif öğrenme ise ödül için bir eylem dizisini optimize etmek yerine bir oracle'dan statik gerçek referans etiketleri aradığı için farklıdır.

MLOps ile Entegrasyon#

Aktif öğrenmeyi etkili bir şekilde uygulamak, sağlam bir Makine Öğrenimi Operasyonları (MLOps) işlem hattı gerektirir. Veri sürümlemeyi yönetmek, yeniden eğitim işlerini tetiklemek ve açıklama arayüzünü insanlara sunmak için altyapıya ihtiyacın vardır. Ultralytics ekosistemiyle entegre olan araçlar, kullanıcıların çıkarım, veri düzenleme ve eğitim arasında sorunsuz bir şekilde geçiş yapmasını sağlar. Örneğin özel eğitim betikleri kullanmak, geliştiricilerin yeni aktif öğrenme verisi gruplarını YOLO modellerine hızla dâhil etmesine olanak tanır.

Örnekleme stratejileri hakkında daha fazla bilgi edinmek için araştırmacılar genellikle aktif öğrenme literatüründeki kapsamlı derlemelere başvurur. Ayrıca, aktif öğrenme döngüsünün performansı gerçekten iyileştirip iyileştirmediğini doğrulamak için model değerlendirme metriklerini anlamak çok önemlidir.