Az Veriyle Öğrenme

Az Atışla Öğrenme (FSL), aşağıdakilerin özel bir alt alanıdır eğitime odaklanan makine öğrenimi (ML) Yapay zeka modelleri, sadece çok az sayıda kavramı kullanarak yeni kavramları kategorize etmek, detect etmek veya anlamak için etiketli örnekler. Geleneksel olarak derin öğrenme (DL), modeller genellikle binlerce yüksek doğruluk elde etmek için sınıf başına görüntü sayısı. Bununla birlikte, FSL, insanın sınırlı görüntülerden hızlı bir şekilde genelleme yapma yeteneğini taklit eder. tıpkı bir çocuğun sadece bir ya da iki resim gördükten sonra bir zürafayı tanıyabilmesi gibi. Bu yetenek çok önemlidir büyük miktarlarda veri elde edilen uygulamalar için eğitim verileri pahalı, zaman alıcı veya neredeyse imkansız.

Az Atışlı Öğrenmenin Temel Mekanizmaları

FSL'nin birincil amacı, önceki bilgilerden yararlanarak büyük veri kümelerine olan bağımlılığı azaltmaktır. Bunun yerine Sıfırdan yeni kalıplar öğrenen model, az sayıdaki kalıbı yorumlamak için temel bir veri setinden öğrenilen bilgileri kullanır. yeni bir görev için mevcut örnekler. Bu genellikle farklı yaklaşımlarla gerçekleştirilir:

• Meta-Öğrenme: Genellikle "öğrenmeyi öğrenmek" olarak tanımlanır. meta-öğrenme, modelleri yeni durumlara hızla adapte olacak şekilde eğitir görevler. Model-Agnostik Meta-Öğrenme (MAML) gibi algoritmalar Modelin iç parametreleri, yeni bir görevde birkaç gradyan adımının iyi bir performansa yol açmasını sağlar.
• Metrik Tabanlı Öğrenme: Bu yaklaşım, girdi verilerini benzer öğelerin bulunduğu bir özellik uzayına eşler birbirine yakın ve birbirine benzemeyen öğeler birbirinden uzaktır. Gibi teknikler Prototipik Ağlar, aşağıdakiler için ortalama bir temsil (prototip) hesaplar her bir sınıf ve yeni sorgu örneklerini bu prototiplere olan uzaklıklarına göre classify . sofistike k-En Yakın Komşular (k-NN) sınıflandırıcısı.
• Veri Büyütme: Örnekler az olduğunda, araştırmacılar genellikle veri kümesini yapay olarak genişletir. Gelişmiş veri artırma teknikleri şunları yapabilir mevcut az sayıdaki görüntünün sentetik varyasyonlarını oluşturarak modelin sınırlı örneklere aşırı uyum.

YOLO11 ile Az Atışlı Öğrenmenin Uygulanması

Pratik bilgisayarla görme (CV) senaryolarında FSL sıklıkla transfer öğrenme yoluyla uygulanmaktadır. gibi sağlam bir model alarak YOLO11Zengin özellikleri çoktan öğrenmiş olan gibi büyük veri kümelerinden temsiller COCO, geliştiriciler küçük bir özel veri kümesi üzerinde modele ince ayar yapabilirler. Önceden eğitilmiş ağırlıklar güçlü bir özellik olarak hizmet eder çıkarıcı, modelin çok az örnekle yeni sınıflara yakınsamasını sağlar.

Aşağıdaki Python kodu, bu kavramın nasıl uygulanacağını göstermektedir ultralytics Paket. Tarafından Önceden eğitilmiş bir model yükleyerek ve küçük bir veri kümesi üzerinde kısa bir süre eğitim yaparak, esasen birkaç atış gerçekleştirirsiniz adaptasyon.

from ultralytics import YOLO

# Load a pre-trained YOLO11 model to leverage learned feature representations
model = YOLO("yolo11n.pt")

# Fine-tune the model on a small dataset (e.g., 'coco8.yaml' has only 4 images per batch)
# The model adapts its existing knowledge to the new few-shot task
results = model.train(data="coco8.yaml", epochs=50, imgsz=640)

# The model can now detect objects from the small dataset with high efficiency

Birkaç Atışı İlgili Kavramlardan Ayırt Etmek

FSL'nin YZ dünyasında nereye oturduğunu anlamak için onu benzer öğrenme paradigmalarından ayırmak faydalı olacaktır:

• Sıfır Atışlı Öğrenme (ZSL): FSL en azından küçük bir örnek kümesi ("destek kümesi") gerektirirken, ZSL hiçbir görsel örnek gerektirmez Belirli bir hedef sınıf için çıkarım eğitimi sırasında hiç. Bunun yerine, ZSL anlamsal açıklamalara veya görünmeyen kategorileri tanımak için öznitelikler (örneğin, metin katıştırmaları).
• Tek Seferlik Öğrenme: Bu bir Modelin tam olarak bir etiketli örnekten yeni bir sınıf öğrenmesi gereken FSL'nin uç durumu. Bu bir standarttır yüz tanıma sistemlerinde karşılaştırma ölçütü Bir telefon, kullanıcının yüzünü sadece bir kez gördükten sonra açılır.
• Transfer Öğrenimi: FSL bir transfer öğrenmenin özel bir uygulamasıdır. Standart transfer öğrenimi için hala yüzlerce görüntü kullanılabilir FSL açıkça senaryoları hedeflerken, ince ayar çok düşük veri rejimleriyle (örneğin, sınıf başına 5 ila 10 görüntü).

Gerçek Dünya Uygulamaları

Few-Shot Learning, verilerin doğal olarak az olduğu veya farklı anomalilerin nadir olduğu sektörlerdeki potansiyeli ortaya çıkarıyor.

Tıbbi Teşhis

Tıbbi görüntü analizinde, görüntülerin Nadir patolojiler için binlerce etiketli tarama yapmak çoğu zaman imkansızdır. FSL şunları sağlar Nadir tümör tiplerini tanımlamak için yapay zeka modelleri veya genetik durumları sadece bir avuç açıklamalı vaka çalışması kullanarak açıklayabilir. Gibi kurumlar Stanford Medicine, yapay zekayı demokratikleştirmek için bu teknikleri aktif olarak araştırıyor az temsil edilen hastalıklar için teşhis araçları.

Üretim Kalite Kontrolü

Üretimde modern yapay zeka, aşağıdakileri tespit etmeye dayanır kaliteyi sağlamak için kusurlar. Ancak, belirli kusurlar bir milyon ünitede yalnızca bir kez meydana gelebilir. Beklemek yerine Büyük bir "kusur" veri seti toplamak için aylar harcayan mühendisler, FSL'yi eğitmek için kullanıyor sadece birkaç örnek üzerinde nesne algılama sistemleri güncellenmiş kalite güvence protokollerinin derhal uygulanmasına olanak tanıyan yeni bir kusur.

Robotik ve Adaptasyon

Dinamik ortamlarda çalışan robotlar genellikle daha önce görmedikleri nesnelerle karşılaşırlar. FSL'yi kullanma, robotik sistemler yeni bir şeyi kavramayı veya manipüle etmeyi öğrenebilir aracı sadece birkaç kez gösterildikten sonra kullanabilir. Bu özellik, aşağıdaki alanlarda esnek otomasyon için gereklidir Boston Dynamics gibi şirketlerin odak noktası olan depolama ve lojistik.

Zorluklar ve Geleceğe Bakış

Vaatlerine rağmen FSL güvenilirlik konusunda zorluklarla karşılaşmaktadır. Modeller belirli birkaç örneğe karşı hassas olabilir destek kümesi temsili değilse, performans önemli ölçüde düşer. Güncel araştırma şu konulara odaklanmaktadır yerleştirmelerin sağlamlığını iyileştirmek ve daha iyi belirsizlik tahmin yöntemleri. Aşağıdaki gibi çerçeveler PyTorch ve TensorFlow gelişmeye devam ediyor ve araştırmacılara veri verimli öğrenmenin sınırları. Gibi modeller YOLO26 yaklaşımı sürümünde, minimum veri girdilerinden öğrenme konusunda daha da büyük yetenekler bekliyoruz.