Few-Shot Learning

Az Örnekli Öğrenme (Few-Shot Learning - FSL), yeni kavramları çok az sayıda etiketli örnek kullanarak tanımak ve sınıflandırmak üzere modelleri eğitmek için tasarlanmış özel bir makine öğrenimi (ML) alt alanıdır. Geleneksel derin öğrenmede (DL), yüksek doğruluk elde etmek genellikle kategori başına binlerce görüntü içeren devasa veri kümeleri gerektirir. Bununla birlikte FSL, tıpkı bir çocuğun bir kitapta sadece bir veya iki resim gördükten sonra bir zürafayı tanıyabilmesi gibi, insan bilişsel yeteneğinin sınırlı deneyimden hızla genelleme yapma becerisini taklit eder. Bu yetenek, büyük miktarda eğitim verisi toplamanın imkansız derecede pahalı, zaman alıcı veya pratik olmadığını durumlarda yapay zekayı (AI) devreye almak için esastır.

Few-Shot Learning'in Temel Mekanizmaları#

FSL'nin birincil hedefi, ön bilgiden yararlanarak kapsamlı veri toplama bağımlılığını azaltmaktır. Model, kalıpları sıfırdan öğrenmek yerine, yeni sınıfları anlamak için birkaç etiketli örnek içeren bir "destek seti" kullanır. Bu durum genellikle "öğrenmeyi öğrenmek" olarak da bilinen meta-öğrenme gibi gelişmiş teknikler aracılığıyla elde edilir. Bu paradigma, modelin yeni görevlere minimum ayarlamalarla uyum sağlamasına olanak tanıyan optimum bir başlatma veya güncelleme kuralını öğrenmesi için çeşitli görevler üzerinde eğitilmesini sağlar.

Diğer yaygın bir yaklaşım, modelin gömme (embeddings) kullanarak giriş verilerini bir vektör uzayına haritalamayı öğrendiği tabanlı metriğe dayalı öğrenmeyi içerir. Bu uzayda benzer öğeler birbirine yakın kümelenirken, benzemeyenler birbirinden uzaklaştırılır. Prototipik Ağlar gibi algoritmalar, her sınıf için ortalama bir temsil veya prototip hesaplar ve yeni sorgu örneklerini bu prototiplere olan mesafelerine göre sınıflandırır. Bu durum genellikle daha büyük ve genel veri kümeleri üzerinde ön eğitil sırasında geliştirilen öznitelik çıkarma yeteneklerine dayanır.

Gerçek Dünya Uygulamaları#

Few-Shot Learning, veri kıtlığının daha önce AI teknolojilerinin benimsenmesini engellediği endüstrileri dönüştürüyor.

Tıbbi Görüntüleme ve Tanılama#

Tıbbi görüntü analizi alanında, nadir patolojiler için binlerce etiketli tarama elde etmek genellikle mümkün değildir. FSL, araştırmacıların nadir tümör türlerini veya belirli genetik anomalileri yalnızca bir avuç açıklama eklenmiş vaka çalışması kullanarak tespit etmek üzere bilgisayarlı görü (CV) sistemlerini eğitmesine olanak tanır. Bu yetenek, Stanford Medicine gibi kurumlar tarafından takip edilen bir hedef olan gelişmiş tanılama araçlarına erişimi demokratikleştirerek aksi takdirde uzmanlaşmış insan uzmanlığı gerektirecek durumların tanımlanmasına yardımcı olur.

Endüstriyel Kalite Kontrol#

Modern üretimde yapay zeka, büyük ölçüde otomatik denetime dayanır. Ancak belirli kusurlar çok nadir görülebilir, bu da "hatalı" parçalardan oluşan büyük bir veri kümesi oluşturmayı zorlaştırır. FSL, anomali tespiti sistemlerinin sadece birkaç görüntüden yeni bir kusur türünün özelliklerini öğrenmesini sağlar. Bu, fabrika operatörlerinin verileri toplamak için üretimi durdurmadan kalite güvence protokollerini hızla güncellemelerine olanak tanıyarak dinamik üretim ortamlarında verimliliği önemli ölçüde artırır.

İlgili Kavramları Ayırt Etme#

FSL'in özel nişini anlamak için onu benzer düşük verili öğrenme paradigmalarından ayırt etmek faydalıdır:

• Aktarımlı Öğrenme (Transfer Learning): FSL genellikle aktarımlı öğrenmenin özel, uç bir formu olarak uygulanır. Standart aktarımlı öğrenme YOLO26 gibi bir modeli yüzlerce görüntü üzerinde ince ayar yapabilirken (fine-tune), FSL sınıf başına belki de sadece 5 ila 10 görüntü içeren senaryoları hedefler ("N-way K-shot" sınıflandırması olarak bilinir).
• Tek Örnekli Öğrenme (One-Shot Learning): Bu, modelin tam olarak bir etiketli örnekten öğrenmesi gereken FSL'nin katı bir alt kümesidir. Kimliği tek bir saklanan fotoğrafa göre doğrulamak için yüz tanıma alanında yaygın olarak kullanılır.
• Sıfır Örnekli Öğrenme (Zero-Shot Learning): En azından küçük bir görsel destek seti gerektiren FSL'nin aksine, Sıfır Örnekli Öğrenme eğitim sırasında hedef sınıfın hiçbir görsel örneğini gerektirmez. Bunun yerine, görünmeyen nesneleri tanımak için anlamsal açıklamalara veya niteliklere (metin istemleri gibi) dayanır.

Ultralytics ile Pratik Uygulama#

Uygulamada, Az Örnekli Öğrenme gerçekleştirmenin en etkili yollarından biri son derece sağlam bir ön eğitil modelden yararlanmaktır. Daha yeni YOLO26 gibi son teknoloji modeller, COCO veya ImageNet gibi büyük veri kümelerinden zengin öznitelik temsilleri öğrenmiştir. Bu modelleri küçük bir özel veri kümesi üzerinde ince ayar yaparak, olağanüstü hız ve doğrulukla yeni görevlere uyum sağlayabilirler.

Aşağıdaki Python örneği, ultralytics paketini kullanarak küçük bir veri kümesinde bir modeli nasıl eğiteceğinizi ve etkili bir şekilde az örnekli adaptasyon gerçekleştireceğinizi göstermektedir:

from ultralytics import YOLO

# Load a pre-trained YOLO26 model (incorporates learned features)
model = YOLO("yolo26n.pt")

# Fine-tune on a tiny dataset (e.g., coco8 has only 4 images per batch)
# This leverages the model's prior knowledge for the new task
results = model.train(data="coco8.yaml", epochs=20, imgsz=640)

# The model adapts to detect objects in the small dataset
print("Few-shot adaptation complete.")

Zorluklar ve Gelecek Görünümü#

Güçlü olmasına rağmen FSL, güvenilirlik konusunda zorluklarla karşı karşıyadır. Sağlanan birkaç örnek dış değerler (outlier) veya gürültülü ise, modelin performansı düşebilir; bu sorun aşırı öğrenme (overfitting) olarak bilinir. Veri artırma (data augmentation) ve sentetik veri üretimi üzerine araştırmalar, bu riskleri azaltmak için çok önemlidir. Temel modeller (foundation models) daha büyük ve daha yetenekli hale geldikçe ve Ultralytics Platform gibi araçlar model eğitimini ve yönetimini basitleştirdikçe, minimum veriyle özel yapay zeka çözümleri oluşturma yeteneği dünya çapındaki geliştiriciler için giderek daha erişilebilir hale gelecektir.