Online Learning

Çevrim içi öğrenme, bir modelin sabit bir veri kümesi üzerinde tek seferde eğitilmesi yerine yeni örnekler geldikçe kademeli olarak güncellendiği bir makine öğrenimi yaklaşımıdır. Bu terim, internet tabanlı eğitimi değil, veri akışı veya sıralı model güncellemelerini ifade eder. Bir çevrim içi öğrenici, scikit-learn çevrim içi öğrenme tanımında açıklandığı üzere tahmin yapabilir, geri bildirim alabilir ve her örnekten veya küçük bir gruptan sonra güncellenebilir. Bu yaklaşım, verilerin sürekli olduğu, belleğe sığmayacak kadar büyük olduğu veya zaman içinde değiştiği durumlarda kullanışlıdır. (scikit-learn.org)

Çevrim İçi Öğrenme Nasıl Çalışır?#

Tipik bir döngü şu şekildedir:

1. Model yeni girdiyi alır ve bir tahmin yapar.
2. Bir etiket veya geri bildirim sinyali kullanılabilir hâle gelir.
3. Kayıp hesaplanır ve model parametreleri güncellenir.
4. Bir sonraki örnek işlenmeden önce performans ölçülür.

Akış hâlindeki makine öğrenimi için River gibi kütüphaneler, predict_one() ve learn_one() gibi yöntemlerle önce tahmin sonra öğrenme iş akışını uygular. Sinir ağları da aynı prensibi tekrarlanan PyTorch optimizer adımları aracılığıyla kullanabilir, ancak derin modeller hesaplama verimliliği için genellikle küçük gruplar üzerinde güncellenir. (docs.pytorch.org)

Çevrim içi öğrenme, girdilerle çıktılar arasındaki ilişkinin değiştiği kavram kayması durumlarında özellikle değerlidir. Buna mevsimsel trafik düzenleri, değişen müşteri davranışları, yeni üretim kusurları veya farklı aydınlatma koşullarında kurulan kameralar örnek verilebilir. 2024 tarihli yinelenen kavram kayması araştırması, hava durumu ve günün saati gibi yinelenen koşulların, sistemlerin daha önce karşılaşılan dağılımları tanımasını ve bunlara uyum sağlamasını gerektirdiğini vurgular. (ijcai.org)

Bilgisayarlı Görmede Çevrim İçi Öğrenme#

Ultralytics YOLO, çıkarım sırasında kontrolsüz şekilde kare başına ağırlık güncellemeleri gerçekleştirmez. Bunun yerine ekipler, güncel etiketli verileri eski örneklerle karıştırarak periyodik mikro grup ince ayarı yoluyla güvenli çevrim içi öğrenmeyi yaklaşık olarak uygulayabilir:

from ultralytics import YOLO

model = YOLO("yolo26n.pt")
model.train(data="coco8.yaml", epochs=3, imgsz=640, lr0=0.001)

Bu çalıştırılabilir örnek, küçük ve düşük öğrenme oranlı bir güncelleme yapmak için Ultralytics YOLO26 ve belgelenmiş YOLO train modu kullanır. Üretimde coco8.yaml, güncel ve yeniden oynatılan örnekleri içeren sürümlenmiş bir veri kümesiyle değiştirilir.

Somut uygulamalar şunlardır:

• Üretimde görsel denetim: Yeni ürünler, malzemeler veya kusur türleri ortaya çıktığında modeller güncellenir.
• Otonom araç algısı: Algılama sistemleri değişen yol, hava durumu, kamera koşulları ve nesne dağılımlarına uyum sağlar.
• Perakende envanter yönetimi: Modeller, tamamen yeniden eğitim gerektirmeden yeni ambalajları ve mevsimsel ürünleri öğrenir.

İlgili Kavramlar ve Temel Farklar#

Sürekli öğrenme daha kapsamlıdır: önceki bilgiyi korurken görevler veya alanlar arasında öğrenmeyi amaçlar. Çevrim içi öğrenme, güncellemelerin ne zaman ve ne sıklıkta gerçekleştiğini açıklar. Aktif öğrenme ise insan etiketlemesi için en bilgilendirici örnekleri seçerken transfer öğrenimi, önceden eğitilmiş bilgiyi hedef göreve uyarlar.

Paylaşılan önemli bir zorluk felaketle sonuçlanan unutmadır. Güncel araştırmalar arasında 2024'teki BECoTTA sürekli test zamanı uyarlaması, 2025'teki Sıralanmış Entropi Minimizasyonu ve 2026'daki PLASTIC kararlılık-esneklik yöntemi yer alır; bu çalışmalar modelin çökmesi veya önceki yeteneklerin kaybedilmesi olmadan verimli uyarlamayı araştırır. (proceedings.mlr.press)

Güncel En İyi Uygulamalar#

• Veri kaymasını izleme: Girdi dağılımlarını, güveni, doğruluğu ve sınıf sıklığını takip et.
• Yeniden oynatma verilerini koruma: Unutmayı azaltmak için temsili geçmiş örnekleri yeni verilerle karıştır.
• Dağıtımdan önce doğrulama: Güncellenen modelleri kararlı ayırma ve güncel veri test kümeleriyle karşılaştır.
• Eksiksiz iş akışını sürümleme: Açıklama, veri kümeleri, eğitim, dağıtım ve izlemeyi yönetmek için Ultralytics Platform'u kullan.
• Etiketsiz kaymayı algılama: Etiketler geç geldiğinde doğruluk ölçümlerini beklemek yerine özellik dağılımlarını ve tahmin davranışını izle. (dfki.de)