Model Topluluğu

Model topluluğu, aşağıdaki alanlarda kullanılan sofistike bir tekniktir tahminlerin yapıldığı makine öğrenimi (ML) Birden fazla bağımsız model birleştirilerek tek ve üstün bir nihai çıktı elde edilir. Güvenmek yerine Bir algoritmanın karar verme yeteneği, bir topluluk "kalabalığın bilgeliği" ilkesinden yararlanarak genel doğruluğu ve istikrarı artırır. Birleştirerek mühendisler, farklı modellerin sonuçlarını kullanarak aşağıdaki riskleri önemli ölçüde azaltabilirler eğitim setine aşırı uyum sağlamak ve aşağıdaki sistemleri oluşturmak gürültüye karşı çok daha sağlamdır. eğitim verileri. Bu yaklaşım sıklıkla şu amaçlarla kullanılır gibi rekabetçi ortamlarda son teknoloji ürünü sonuçlar elde etmek Kaggle yarışmaları.

Topluluk Öğrenimi Mekanizmaları

Bir model topluluğunun etkinliği, onu oluşturan parçaların çeşitliliğine bağlıdır. Eğer tüm modeller aynı ise zayıflıkları varsa, bunları birleştirmek hiçbir iyileştirme sağlamaz. Bu nedenle, uygulayıcılar genellikle çeşitliliği farklı sinir ağı mimarileri kullanarak veya farklı veri alt kümeleri uygulamak veri artırma stratejileri.

Toplulukları oluşturmak için üç temel yöntem vardır:

• Bagging (Bootstrap Aggregating): Bu, aynı modelin birden fazla versiyonunun eğitilmesini içerir, örneğin farklı rastgele örnekleri üzerinde bir karar ağacı olarak veri kümesi. Bunun klasik örneği ortalamasını alan Rastgele Orman algoritması 'de ayrıntılı olarak açıklandığı gibi, varyansı düzeltmek için birçok ağacın tahminleri Scikit-learn topluluk belgeleri.
• Güçlendirme: Bu yinelemeli teknikte, modeller sırayla eğitilir. Her yeni model şunlara odaklanır Kendinden öncekiler tarafından yapılan hataları düzeltmek. Gibi popüler uygulamalar XGBoost ve LightGBM bu yöntemi kullanarak zayıf öğrencileri son derece hassas kompozit model.
• İstifleme: Bu gelişmiş yaklaşım, bir "meta-öğrenici "yi eğiterek aşağıdaki tahminleri birleştirir birleştirilmesi gibi birkaç farklı temel model Destek Vektör Makinesi (SVM) ile derin öğrenme modeli. Meta öğrenici, nihai değeri en aza indirmek için her bir uzmanın görüşünün nasıl tartılacağını optimize eder. kayıp fonksiyonu.

Gerçek Dünya Uygulamaları

Model toplulukları, hassasiyetin kritik olduğu ve hata maliyetinin yüksek olduğu sektörlerde çok önemlidir.

1. Tıbbi Görüntü Analizi: Karmaşık durumların teşhisi genellikle görüntülerdeki ince desenlerin analiz edilmesini gerektirir. görüntüleme verileri. Bir teşhis sistemi, bir model topluluğu kullanabilir. Evrişimsel Sinir Ağı (CNN) ile doku analizinde uzmanlaşmıştır. Vizyon Dönüştürücüsü (ViT) şu konularda üstündür küresel bağlamı anlamak. Bu kombinasyon aşağıdakilere yardımcı olur tibbi̇ görüntülemede tümörleri̇n tespi̇ti̇ Tek bir mimarinin başarabileceğinden daha yüksek hassasiyetle.
2. Otonom Sistemler: İçin otonom araçlar, algılama sistemleri arızaya karşı güvenli olmalıdır. Mühendisler genellikle bir grup nesne algılama modellerini birleştirmek gibi yüksek hızlı yetenekleri YOLO11 ile transformatör tabanlı doğruluk RT-DETR. Bu, aşağıdakileri sağlar Bir model belirli bir aydınlatma veya oklüzyonla mücadele etse bile yayalar veya engeller tespit edilir.

Ensemble vs. Uzmanlar Karışımı (MoE)

Bir standart model topluluğunu bir standart model topluluğundan ayırmak önemlidir. Uzmanlar Karışımı (MoE). Her ikisi de aşağıdakileri kullanırken birden fazla alt model, çıkarım sırasında farklı şekilde çalışırlar:

• Model Topluluğu: Tipik olarak koleksiyondaki her modeli her girdi için sorgular ve birleştirir sonuçlar. Bu, doğruluğu en üst düzeye çıkarır ancak çıkarım gecikmesi ve hesaplama maliyeti.
• Uzmanların Karışımı: Verileri yalnızca birkaç belirli "uzmana" yönlendirmek için bir geçit ağı kullanır (alt modeller) mevcut girdi için en uygun olanıdır. Bu, büyük ölçeklenebilirlik sağlar gibi vakıf modelleri Çalıştırmanın hesaplama cezası olmadan Transformatörleri Değiştirin her belirteç için her parametre.

Ultralytics ile Toplulukların Uygulanması

gibi kütüphaneler varken PyTorch karmaşık topluluklara izin verir mimarilerinde, basitçe birden fazla model yükleyerek ve bu modelleri işleyerek çıkarım için temel bir topluluk elde edebilirsiniz. aynı girdi. Aşağıdaki örnekte iki farklı YOLO modelinin nasıl yükleneceği gösterilmektedir ultralytics Paket.

from ultralytics import YOLO

# Load two different model variants to create a diverse ensemble
model_a = YOLO("yolo11n.pt")  # Nano model
model_b = YOLO("yolo11s.pt")  # Small model

# Perform inference on an image with both models
# In a production ensemble, you would merge these results (e.g., via NMS)
results_a = model_a("https://ultralytics.com/images/bus.jpg")
results_b = model_b("https://ultralytics.com/images/bus.jpg")

print(f"Model A detections: {len(results_a[0].boxes)}")
print(f"Model B detections: {len(results_b[0].boxes)}")

Toplulukların uygulanması aşağıdakilerin dikkatle değerlendirilmesini gerektirir MLOps kaynakları, dağıtım olarak birden fazla model bellek kullanımını artırır. Ancak, mümkün olan en yüksek performansı gerektiren görevler için bilgisayarla görme (CV), değiş tokuş genellikle Gerekçeli.