Model Editing

Model düzenleme, eğitilmiş bir makine öğrenimi modelinin tamamen yeniden eğitilmesine gerek kalmadan belirli davranışları öğrenmesi, düzeltmesi veya kaldırması için hedefli biçimde değiştirilmesidir. Bir düzenleyici, seçili model ağırlıklarını değiştirebilir, küçük bir bellek modülü ekleyebilir veya çıkarımlama sırasında çıktıları yeniden yönlendirebilir. Bu terim genellikle bir büyük dil modelindeki bilginin düzeltilmesini ifade eder, ancak giderek çok modlu ve görsel temel modellere de uygulanmaktadır. Bu işlem, bir 3B nesneyi veya oluşturulmuş bir görüntüyü düzenlemek anlamına gelmez.

Model Düzenleme Nasıl Çalışır#

Bir model düzenleme isteği genellikle bir girdiyi, eski yanıtı ve istenen yanıtı belirtir. 2024 tarihli kapsamlı bilgi düzenleme çalışmasında açıklanan yöntemler genel olarak üç gruba ayrılır: dahili parametreleri güncellemek, yeni bilgiyi modele entegre etmek veya harici bilgiye başvurmak. (arxiv.org)

Model düzenleme, ilgili tekniklerden farklıdır:

• İnce Ayar: Bir veri kümesi genelinde davranışı güncellerken model düzenleme dar kapsamlı, yerelleştirilmiş bir değişikliği hedefler.
• EasyEdit Bilgi Düzenleme Çerçevesi: Dil modelleri için pratik parametre, bellek ve meta öğrenme düzenleyicilerini gösterir. (aclanthology.org)
• Getirmeyle Zenginleştirilmiş Üretim: Temel parametreleri değiştirmeden güncel bilgi sağlar.
• Makineyi Unutturma: Bilgiyi değiştirmek veya eklemek yerine öğrenilmiş bilgiyi kaldırmayı amaçlar.
• Model Birleştirme: Tek bir hassas düzenleme gerçekleştirmek yerine birden fazla eğitilmiş modeli veya güncellemeyi birleştirir.

Değerlendirme ve Riskler#

Başarılı bir düzenleme, hedef istek için güvenilirlik, yeniden ifade edilmiş girdiler genelinde genellenebilirlik, ilgisiz davranışlarda yerellik ve bağlantılı akıl yürütme görevlerine taşınabilirlik sağlamalıdır. Bilgi düzenlemedeki tuzaklar, genel yeteneklerdeki bozulma ve komşu bilgilerdeki bozulmalar üzerine yapılan araştırmalar, görünüşte doğru bir düzenlemenin ilgisiz yanıtları veya akıl yürütme becerilerini değiştirebileceğini göstermektedir. (openreview.net)

Tekrarlanan düzenlemeler ayrıca felaket düzeyinde unutmaya neden olabilir. 2025 tarihli bilgi düzenleyicisi değerlendirme çalışmasında vurgulandığı üzere sonuçlar, değerlendirme metriklerine ve toplu işlem boyutuna büyük ölçüde bağlı olabilir. Çok modlu değerlendirme, görsel-dil düzenleme için VLKEB ve çeşitli görsel bilgiler için MMKE-Bench aracılığıyla kapsamını genişletmektedir. (aclanthology.org)

Gerçek Dünya Uygulamaları#

• Yaşam Boyu Görsel-Dil Modeli Güncellemeleri: Görsel bir asistan, daha önceki görsel bilgilerini korurken yeni tanıtılan bir ürünü veya düzeltilmiş bir simge yapının kimliğini öğrenebilir.
• Tıbbi Görsel-Dil Düzeltmeleri: Klinik sistemler, görüntü ve metin varyasyonları genelinde güncel olmayan terminoloji veya tanısal bilgiler güncellendikten sonra değerlendirilebilir. (arxiv.org)
• Bilgisayarlı Görü uyarlaması: Bir denetim modeli, tüm eğitim işlem hattını yeniden oluşturmadan yeni bir kusur türünü tanıyacak şekilde güncellenebilir.

Güncel En İyi Uygulamalar#

Orijinal kontrol noktasını koru, etkili olan en küçük güncellemeyi kullan ve dağıtımdan önce kapsamlı model testleri gerçekleştir. Güncel çalışmalar, ağırlık düzenlemelerinin bağlama dayalı yaklaşımlarla karşılaştırılmasını önermektedir; bu yaklaşımlar gerçekçi koşullarda daha dayanıklı olabilir. Ayrıca girişimleri uzun düzenleme dizileri boyunca etkileşim açısından test et. (arxiv.org) Üretim ekipleri düzenleme günlüklerini, geri alma yollarını, güvenlik testlerini ve sürekli model izlemeyi sürdürmelidir.

Ultralytics İş Akışlarında Model Düzenleme#

Ultralytics YOLO26 için hedefli eğitim, kapsamlı bir model düzenlemesinin pratik karşılığıdır. Bu örnek, küçük bir veri kümesi kullanarak önceden eğitilmiş bir algılayıcıyı günceller ve ardından istenmeyen performans değişikliklerini tespit etmek için doğrulama 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 kaydetme kılavuzunu kullanarak sürümlenmiş kontrol noktalarını koru ve verileri açıklamak, güncellenmiş modelleri eğitmek, revizyonları dağıtmak ve üretim performansını izlemek için Ultralytics Platform'u kullan.