Model Editing

Model düzenleme, eğitilmiş bir machine learning model üzerinde yapılan hedefli bir değişikliktir; böylece model, tam bir yeniden eğitim gerekmeden belirli davranışları öğrenir, düzeltir veya kaldırır. Bir düzenleyici, seçilen model weights değerlerini değiştirebilir, küçük bir bellek modülü ekleyebilir veya çıkarım anında çıktıları yönlendirebilir. Terim genellikle large language model içerisindeki bilgileri düzeltmeyi ifade etse de, giderek multimodal ve vizyon foundation models için de uygulanmaktadır. 3D bir nesneyi veya üretilen bir görseli düzenlemek anlamına gelmez.

Link to this sectionModel Düzenleme Nasıl Çalışır?#

Bir model düzenleme isteği genellikle bir girdi, eski yanıt ve istenen yanıtı belirtir. Bir 2024 comprehensive knowledge-editing study çalışmasında açıklanan yöntemler genellikle üç gruba ayrılır: dahili parametreleri güncellemek, modele yeni bilgi entegre etmek veya harici bilgilere danışmak. (arxiv.org)

Model düzenleme, ilgili tekniklerden şu şekilde ayrılır:

• Fine-Tuning: Bir veri kümesi genelinde davranışları günceller; model düzenleme ise dar ve yerelleştirilmiş bir değişikliği amaçlar.
• EasyEdit Knowledge-Editing Framework: Dil modelleri için pratik parametre, bellek ve meta-öğrenme düzenleyicilerini gösterir. (aclanthology.org)
• Retrieval-Augmented Generation: Alttaki parametreleri değiştirmeden güncel bilgi sağlar.
• Machine Unlearning: Bilgi eklemek veya bilgiyi değiştirmek yerine öğrenilmiş bilgileri kaldırmayı amaçlar.
• Model Merging: Tek bir hassas düzenleme yapmak yerine birden fazla eğitilmiş modeli veya güncellemeyi birleştirir.

Link to this sectionDeğerlendirme ve Riskler#

Başarılı bir düzenleme; hedef istek için güvenilirlik, yeniden ifade edilen girdiler arasında genellenebilirlik, ilgisiz davranışlar üzerinde yerellik ve bağlı akıl yürütme görevleri için taşınabilirlik koşullarını karşılamalıdır. knowledge-editing pitfalls, general-ability degradation ve neighboring knowledge perturbations üzerine yapılan araştırmalar, görünüşte doğru olan bir düzenlemenin ilgisiz yanıtları veya akıl yürütme becerilerini değiştirebileceğini göstermektedir. (openreview.net)

Tekrarlanan düzenlemeler ayrıca catastrophic forgetting durumuna yol açabilir. 2025 study of knowledge-editor evaluation çalışmasında vurgulandığı gibi sonuçlar, değerlendirme metriklerine ve yığın boyutuna büyük ölçüde bağlı olabilir. Multimodal değerlendirme, VLKEB for vision-language editing ve MMKE-Bench for diverse visual knowledge aracılığıyla genişlemektedir. (aclanthology.org)

Link to this sectionGerçek Dünya Uygulamaları#

• Lifelong Vision-Language Model Updates: Görsel bir asistan, önceki görsel bilgisini korurken yeni tanıtılan bir ürünü veya düzeltilmiş simge yapı kimliğini öğrenebilir.
• Medical Vision-Language Corrections: Klinik sistemler, görüntü ve metin varyasyonları genelinde güncelliğini yitirmiş terminoloji veya teşhis bilgileri güncellendikten sonra değerlendirilebilir. (arxiv.org)
• Computer Vision uyarlaması: Bir denetim modeli, tüm eğitim boru hattını yeniden oluşturmadan yeni bir kusur türünü tanıyacak şekilde güncellenebilir.

Link to this sectionGüncel En İyi Uygulamalar#

Orijinal kontrol noktasını koru, en küçük etkili güncellemeyi kullan ve dağıtımdan önce kapsamlı model testing çalıştır. Son çalışmalar, gerçekçi koşullar altında daha sağlam olabilen bağlam tabanlı yaklaşımlarla ağırlık düzenlemelerinin karşılaştırılmasını ve uzun düzenleme dizilerinin parazit açısından test edilmesini önermektedir. (arxiv.org) Üretim ekipleri düzenleme günlükleri, geri alma yolları, güvenlik testleri ve sürekli model monitoring sürdürmelidir.

Link to this sectionUltralytics İş Akışlarında Model Düzenleme#

Ultralytics YOLO26 için hedefli training, kapsamlı bir model düzenlemesinin pratik karşılığıdır. Bu örnek, küçük bir veri kümesi kullanarak önceden eğitilmiş bir dedektörü günceller, ardından istenmeyen performans değişikliklerini tespit etmek için validation uygular:

from ultralytics import YOLO

model = YOLO("yolo26n.pt")
model.train(data="coco8.yaml", epochs=1)
metrics = model.val()
print(metrics.box.map)

PyTorch model-saving guidance kullanarak sürümlü kontrol noktalarını sakla ve verileri etiketlemek, güncellenmiş modelleri eğitmek, düzeltmeleri devreye almak ve üretim performansını izlemek için Ultralytics Platform kullan.