Aktif Öğrenme

Active Learning is a strategic approach in machine learning (ML) where the algorithm proactively selects the most informative data points for labeling, rather than passively accepting a pre-labeled dataset. In traditional supervised learning, models often require massive amounts of annotated data, which can be expensive and time-consuming to create. Active learning optimizes this process by identifying "uncertain" or "hard" examples—those near the decision boundary or where the model lacks confidence—and requesting human annotators to label only those specific instances. This iterative loop allows models to achieve high accuracy with significantly fewer labeled samples, making it highly efficient for projects with limited budgets or time constraints.

Aktif Öğrenme Döngüsü Nasıl Çalışır?

Aktif öğrenmenin özü, genellikle insan döngüsü olarak adlandırılan bir geri bildirim döngüsüdür. Model, statik bir veri kümesinde tek seferlik bir eğitim yerine, sorgu ve güncelleme döngüleri aracılığıyla gelişir.

1. Başlatma: Süreç, Ultralytics gibi bir başlangıç modelini eğitmek için kullanılan küçük bir etiketli eğitim veri setiyle başlar. .
2. Sorgu Seçimi: Model, etiketlenmemiş büyük bir veri havuzunu değerlendirir. Bir sorgu stratejisikullanarak (en yaygın olarak belirsizlik örneklemesi), tahminlerinin en az güvenilir olduğu görüntüleri veya metinleri seçer.
3. Açıklama: Bu yüksek öncelikli örnekler, aktif öğrenme literatüründe genellikle "oracle" olarak adlandırılan bir insan uzmana veri etiketlemesi için gönderilir.
4. Yeniden eğitim: Yeni etiketlenen veriler eğitim setine eklenir ve model yeniden eğitilir. Bu güncellenmiş model, bir sonraki kafa karıştırıcı örnek grubunu seçmek için daha donanımlı hale gelir.

Gerçek Dünya Uygulamaları

Aktif öğrenme, verilerin bol olduğu ancak etiketleme için özel bilgi veya yüksek maliyetler gerektiren sektörlerde vazgeçilmezdir.

• Tıbbi Görüntü Analizi: Radyoloji gibi alanlarda, etiketleme işlemi için zamanı son derece değerli olan kurul sertifikalı uzmanlar gereklidir. Bir doktordan binlerce net taramayı açıklaması istenmek yerine, aktif öğrenme sistemi, erken evre tümörler veya nadir görülen anomaliler gibi belirsiz vakaları filtreleyerek, uzmanın yalnızca modelin teşhis yeteneğini gerçekten geliştiren görüntülere odaklanmasını sağlar. .
• Otonom Araçlar: Otonom araçlar petabaytlarca video verisi üretir. Her kareyi etiketlemek imkansızdır. Aktif öğrenme, mühendislerin kostüm giyen yayalar veya yoğun kar yağışı altında sürüş gibi standart nesne algılama modellerinin gözden kaçırabileceği sınır durumları belirlemelerine yardımcı olur. Bu nadir senaryolara öncelik vererek, şirketler tekrarlayan otoyol görüntüleri için kaynak israfı yapmadan güvenliği artırır.

Python : Belirsiz Tahminleri Filtreleme

Aşağıdaki örnek, Ultralytics kullanılarak basit bir "belirsizlik örnekleme" mantığını göstermektedir. Bir model yükler, görüntüler üzerinde çıkarım yapar ve güvenilirlik puanı belirli bir eşiğin 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.")

İlgili Kavramları Ayırt Etme

Aktif öğrenmeyi benzer eğitim paradigmalarından ayırmak önemlidir:

• Yarı Denetimli Öğrenme: Her iki yöntem de etiketlenmemiş verileri kullanırken, yarı denetimli öğrenme, modelin yüksek güvenilirlikteki tahminlerine dayalı olarak verilere otomatik olarak sözde etiketler atar. Buna karşılık, aktif öğrenme, düşük güvenilirlikteki tahminler için açıkça insan girdisi ister.
• Transfer Öğrenimi: Bu, önceden eğitilmiş bir modelin (örneğin ImageNet) ve onu yeni bir göreve uyarlamayı içerir. Aktif öğrenme, hangi verilerin etiketleneceğine odaklanırken, transfer öğrenme, öğrenilen özelliklerin yeniden kullanılmasına odaklanır.
• Pekiştirme Öğrenimi: Burada, bir ajan çevre ile etkileşime girerek ve ödüller alarak öğrenir. Aktif öğrenme farklıdır çünkü ödül için bir dizi eylemi optimize etmek yerine, bir orakelden statik temel gerçek etiketleri arar.

MLOps ile entegrasyon

Etkin öğrenmeyi etkili bir şekilde uygulamak için sağlam bir Makine Öğrenimi Operasyonları (MLOps) boru hattı gerekir. Veri sürümlerini yönetmek, yeniden eğitim işlerini tetiklemek ve insanlara açıklama arayüzü sunmak için altyapıya ihtiyacınız vardır. Ultralytics entegre olan araçlar, kullanıcıların çıkarım, veri kürasyonu ve eğitim arasında sorunsuz bir şekilde geçiş yapmalarını sağlar. Örneğin, özel eğitim komut dosyaları kullanarak geliştiriciler, yeni aktif öğrenme veri gruplarını YOLO hızla entegre edebilirler.

Örnekleme stratejileri hakkında daha fazla bilgi için, araştırmacılar genellikle aktif öğrenme literatüründeki kapsamlı araştırmalara başvururlar. Ayrıca, model değerlendirme ölçütlerini anlamak, aktif öğrenme döngüsünün performansı gerçekten iyileştirdiğini doğrulamak için çok önemlidir.