Curriculum Learning

Müfredat Öğrenimi, insanların öğrenme biçiminden esinlenen ve daha basit kavramlarla başlayıp kademeli olarak daha karmaşık olanları tanıtan bir makine öğrenimi eğitim stratejisidir. Bir modele eğitim verilerini rastgele bir sırayla sunmak yerine, eğitim örnekleri açıkça artan zorluk derecesine göre bir dizi halinde yapılandırılır. Bir yapay sinir ağının verilere bu şekilde düzenli bir yaklaşımla maruz bırakılması, daha hızlı yakınsama, gelişmiş genelleme ve karmaşık görevlerde daha fazla genel dayanıklılık sağlayabilir.

Bu yapılandırılmış ilerleme, önceki görevleri unutmadan modele yenilerini eklemeye odaklanan Sürekli Öğrenmeden farklıdır. Müfredat Öğreniminde amaç aynı kalır, ancak eğitim verilerinin sırası stratejik olarak düzenlenir.

Link to this sectionMüfredat Öğrenimi Nasıl Çalışır#

Müfredat Öğreniminin temel fikri, bir modelin parametrelerini daha kolay örnekler kullanarak başlatmanın, onu kayıp yüzeyinde daha iyi bir yerel minimuma yönlendirmesidir. Model temel özellikleri kavradıkça, eğitim rejimi daha zor örnekleri dahil ederek modelin anlayışını geliştirmesine ve daha karmaşık detayları öğrenmesine olanak tanır.

Müfredat Öğrenimini uygulamak iki ana bileşeni içerir:

1. Zorluk Metriği: Her bir eğitim örneğinin karmaşıklığını değerlendirmek için kullanılan bir yöntem. Bilgisayarlı görüde bu, nesne boyutuna, tıkanıklığa veya görüntü netliğine dayalı olabilir.

2. Eğitim Zamanlayıcı: Eğitim sürecine daha zor örneklerin ne zaman ve nasıl dahil edileceğini belirleyen bir hızlandırma işlevi.

For example, when training Ultralytics YOLO26 for object detection, you might begin by training on images with single, clear, centered objects. As training progresses, the scheduler introduces images with multiple objects, heavy occlusion, or varying lighting conditions. This allows the model to grasp the fundamental features of the objects before tackling challenging real-world scenarios.

Link to this sectionGerçek Dünya Uygulamaları#

Müfredat Öğrenimi, gürültülü veri kümeleriyle veya oldukça karmaşık görevlerle uğraşırken, çeşitli yapay zeka alanlarında faydalı olduğunu kanıtlamıştır.

• Otonom Araçlar: Otonom sürüş sistemlerinin eğitilmesinde, modeller önce temel şerit çizgilerini ve net yol işaretlerini tanıyacak şekilde eğitilir. Bu temelleri kavradıktan sonra şiddetli yağmur, düzensiz yaya hareketleri veya karmaşık kavşaklar gibi zorlu senaryolara maruz bırakılarak yapay zeka güvenliği ve güvenilirliği artırılır.
• Tıbbi Görüntü Analizi: Tıbbi görüntü analizi için modeller geliştirirken, müfredat yaklaşımı belirgin tümörlerin yüksek kontrastlı ve net taramalarıyla başlayıp, ardından ince anormallikler veya görüntüleme artefaktları içeren taramalara geçilmesini içerebilir.

Link to this sectionAvantajlar ve Hususlar#

Google AI ve OpenAI gibi kurumlardan gelen araştırmalar, yapılandırılmış eğitim rejimlerinin faydalarını sürekli olarak vurgulamaktadır. Eğitim sırasını dikkatlice tasarlayarak, geliştiriciler genellikle daha yüksek doğruluk elde edebilir ve aşırı öğrenme riskini azaltabilirler.

Ancak, bir örneğin "zorluğunu" tanımlamak her zaman kolay değildir. Kötü tasarlanmış bir müfredat bazen eğitimi yavaşlatabilir veya model üzerinde yanlılığa neden olabilir. Yakın zamandaki kendi hızında öğrenme üzerine arXiv yayınlarında tartışılanlar gibi modern yaklaşımlar, modelin mevcut kaybına bağlı olarak örneklerin zorluğunu dinamik olarak belirlemesine izin vererek müfredat tasarımını otomatikleştirir.

Özel veri kümelerini etkili bir şekilde yönetmek ve eğitim stratejileriyle denemeler yapmak için Ultralytics Platformu gibi araçlar; veri etiketleme, veri bölümlerini yapılandırma ve eğitim ilerlemesini izleme için modern bir ortam sağlar.

from ultralytics import YOLO

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

# A conceptual example of manually implementing a simple curriculum
# Phase 1: Train on 'easy' dataset (e.g., clear, large objects)
model.train(data="easy_dataset.yaml", epochs=50, imgsz=640)

# Phase 2: Fine-tune on 'hard' dataset (e.g., occluded, small objects)
model.train(data="hard_dataset.yaml", epochs=50, imgsz=640)

Bu basitleştirilmiş örnekte model, temel iki aşamalı bir müfredatı simüle ederek, daha zorlu verilere uyum sağlamadan önce daha kolay bir veri kümesinden temel özellikleri öğrenir.