Continual Learning

Sürekli öğrenme (CL), genellikle yaşam boyu öğrenme olarak adlandırılır ve bir yapay zeka modelinin, önceden öğrenilmiş bilgileri unutmadan zaman içinde sırayla yeni görevler öğrenme veya yeni bilgiler edinme yeteneğini tanımlar. Modellerin statik bir veri kümesi üzerinde bir kez eğitilip ardından dağıtıldığı geleneksel makine öğrenimi boru hatlarından farklı olarak, sürekli öğrenme insanın yeni ortamlara uyum sağlama ve yeni deneyimlerden sürekli olarak öğrenme yeteneğini taklit eder. Bu alandaki temel zorluk, bir sinir ağını yeni veriler üzerinde eğitmenin, eski görevler için optimize edilmiş ağırlıkların üzerine yazılması nedeniyle eski görevlerdeki performansının ciddi şekilde düşmesine neden olduğu bir olgu olan felaket unutmayı (catastrophic forgetting) aşmaktır.

Link to this sectionSürekli Öğrenme Neden Önemlidir#

Dinamik gerçek dünya ortamlarında, veri dağılımları nadiren statik kalır. Örneğin, otonom bir araçtaki görsel algılama sistemi, ilk eğitimi sırasında öğrenilen temel yol işaretlerini tanıma yeteneğini kaybetmeden değişen mevsimlere, yeni trafik düzenlemelerine veya farklı şehir düzenlerine uyum sağlamalıdır. Kümülatif bir veri kümesi üzerinde sıfırdan yeniden eğitme yöntemi, depolama kısıtlamaları veya gizlilik endişeleri nedeniyle genellikle hesaplama açısından pahalı ve pratik değildir. Sürekli öğrenme, modellerin aşamalı olarak güncellenmesine olanak tanıyarak bu sorunları ele alır ve kaynakların sınırlı olduğu uç yapay zeka uygulamaları için onları daha verimli ve ölçeklenebilir hale getirir.

Link to this sectionGerçek Dünya Uygulamaları#

• Robotik ve Otonom Sistemler: Yapılandırılmamış ortamlarda konuşlandırılan robotların yeni nesneler üzerinde işlem yapması veya yeni arazilerde gezinmesi gerekir. Sürekli öğrenme sayesinde bir robot, belirli bir üretim görevinde ustalaşabilir ve daha sonra tüm sistemi sıfırlamaya gerek kalmadan farklı bir ürün hattını yönetmeyi öğrenebilir; bu da endüstri 4.0 inovasyon hatlarını esnek bir şekilde destekler.
• Tıbbi Görüntüleme Tanısı: Sağlık verileri, yeni hastalıklar ortaya çıktıkça veya görüntüleme protokolleri değiştikçe evrimleşir. Radyologlara yardımcı olan bir yapay zeka sistemi, sürekli öğrenmeyi kullanarak X-ışınlarında görülen yeni bir virüs türü gibi yeni patolojileri dahil edebilir ve aynı zamanda zatürre veya kırıklar gibi yaygın durumları tespit etmede yüksek doğruluğu koruyabilir. Bu yetenek, mevcut protokollerde hasta güvenliğinden ödün vermeden güncel sağlık teşhislerini sürdürmek için hayati öneme sahiptir.

Link to this sectionSürekli Öğrenmede Temel Stratejiler#

Felaket unutmayı azaltmak için araştırmacılar çeşitli stratejiler kullanırlar. Düzenlileştirme yöntemleri, önceki görevlerde tanımlanan önemli ağırlıklarda önemli değişiklikleri önlemek için kayıp fonksiyonuna kısıtlamalar ekler. Tekrar yöntemleri, önceki verilerin küçük bir alt kümesini saklar (veya üretken yapay zeka kullanarak sentetik örnekler oluşturur) ve bunları eğitim sırasında yeni verilerle karıştırır. Son olarak, parametre izolasyonu, modelin parametrelerinin belirli alt kümelerini farklı görevlere ayırarak, yeni bir görev için yapılan güncellemelerin öncekiler için optimize edilmiş parametrelere müdahale etmemesini sağlar. 2024 ve 2025'teki son gelişmeler, hangi özelliklerin genel ve hangilerinin göreve özel olduğunu daha iyi tanımlamak için görsel dil modellerini kullanmaya odaklanmıştır.

Link to this sectionSürekli Öğrenme ve Transfer Öğrenimi#

Sürekli öğrenmeyi transfer öğreniminden ayırmak önemlidir. Transfer öğreniminde, önceden eğitilmiş bir model yeni ve belirli bir görevi çözmek için bir başlangıç noktası görevi görür ve orijinal görevdeki performans genellikle ilgisizdir. Amaç, hedef alandaki performansı en üst düzeye çıkarmaktır. Buna karşılık, sürekli öğrenmenin amacı hem yeni görevde hem de önceki tüm görevlerde iyi performans göstermektir. Benzer şekilde, aktif öğrenme eğitim için etiketlenecek en bilgilendirici veri noktalarını seçmeye odaklanırken, sürekli öğrenme modelin kendisini zaman içinde güncelleme sürecine odaklanır.

Link to this sectionBir YOLO Modelini Güncelleme#

Gerçek sürekli öğrenme özel mimari ayarlamalar gerektirse de, kullanıcılar bu iş akışını modelleri eski verilerden oluşan bir tampon ile karıştırılmış yeni veriler üzerinde ince ayar yaparak simüle edebilirler. Ultralytics Platform, bu veri kümelerini yönetmeyi ve modelleri sürümlemeyi kolaylaştırır. Aşağıda, Python API'sini kullanarak bir modeli güncellemeye nasıl yaklaşabileceğinize dair bir örnek verilmiştir:

from ultralytics import YOLO

# Load a model previously trained on 'dataset_v1.yaml'
model = YOLO("yolo26n-v1.pt")

# Train the model on a new dataset containing new and old samples
# This helps mitigate catastrophic forgetting by "replaying" old data
results = model.train(
    data="dataset_v2_combined.yaml",
    epochs=50,
    imgsz=640,
    lr0=0.001,  # Lower learning rate for fine-tuning
)

Link to this sectionZorluklar ve Gelecek Yönelimleri#

İlerlemeye rağmen, sürekli öğrenme aktif bir araştırma alanı olmaya devam etmektedir. Optimum plastisite-kararlılık ikilemini belirlemek; yani yeni şeyler öğrenme yeteneği (plastisite) ile eskileri koruma yeteneğini (kararlılık) dengelemek zordur. Ayrıca, bu sistemleri değerlendirmek hem ileri transferi (yeni görevlerde öğrenme hızı) hem de geri transferi (eski görevler üzerindeki etkisi) hesaba katan sağlam performans metrikleri gerektirir. Temel modeller büyüdükçe, Düşük Dereceli Uyarlama (LoRA) gibi verimli sürekli uyarlama yöntemleri, tam yeniden eğitim gerektirmeden büyük ölçekli sistemleri özelleştirmek için kritik hale gelmektedir.