Online Learning
Çevrimiçi öğrenmenin kademeli model güncellemelerini nasıl mümkün kıldığını, kavram kaymasına nasıl uyum sağladığını ve Ultralytics YOLO26 ile daha güvenli bilgisayarlı görü iş akışlarını nasıl desteklediğini öğren.
Çevrimiçi öğrenme, bir modelin sabit bir veri kümesi üzerinde bir kez eğitilmek yerine, yeni örnekler geldikçe artımlı olarak güncellendiği bir makine öğrenimi yaklaşımıdır. Bu terim, internet tabanlı eğitimi değil, akış halindeki veya sıralı model güncellemelerini ifade eder. Bir çevrimiçi öğrenen model, scikit-learn çevrimiçi öğrenme tanımında açıklandığı gibi, her örnekten veya küçük bir gruptan sonra tahminde bulunabilir, geri bildirim alabilir ve güncelleme yapabilir. Bu, veriler sürekli olduğunda, belleğe sığmayacak kadar büyük olduğunda veya zamanla değiştiğinde onu kullanışlı kılar. (scikit-learn.org)
Link to this sectionÇevrimiçi Öğrenme Nasıl Çalışır#
Tipik bir döngü şu şekildedir:
- Model yeni bir girdi alır ve bir tahmin yapar.
- Bir etiket veya geri bildirim sinyali kullanılabilir hale gelir.
- Kayıp hesaplanır ve model parametreleri güncellenir.
- Performans, bir sonraki örnek işlenmeden önce ölçülür.
Akış makine öğrenimi için River gibi kütüphaneler, predict_one() ve learn_one() gibi yöntemlerle bu tahmin-et-öğren iş akışını uygular. Sinir ağları, hesaplama verimliliği için derin modellerin genellikle küçük gruplar (batch) üzerinde güncellenmesi yaygın olsa da, tekrarlanan PyTorch optimizer adımları aracılığıyla aynı prensibi kullanabilir. (docs.pytorch.org)
Çevrimiçi öğrenme, girdi ve çıktı arasındaki ilişkinin değiştiği kavram kayması durumunda özellikle değerlidir. Örnekler arasında mevsimsel trafik modelleri, değişen müşteri davranışları, yeni üretim hataları veya farklı ışık koşullarında kurulan kameralar yer alır. 2024 tarihli bir tekrarlayan kavram kayması araştırması, hava durumu ve günün saati gibi tekrarlayan koşulların, sistemlerin daha önce karşılaşılan dağılımları tanımasını ve bunlara uyum sağlamasını gerektirdiğini vurgulamaktadır. (ijcai.org)
Link to this sectionBilgisayarlı Görüde Çevrimiçi Öğrenme#
Ultralytics YOLO, çıkarım sırasında kontrolsüz kare bazlı ağırlık güncellemeleri gerçekleştirmez. Bunun yerine ekipler, yeni etiketli verilerin eski örneklerle karıştırıldığı periyodik mikro-grup ince ayar işlemleriyle güvenli çevrimiçi öğrenmeyi yaklaşık olarak uygulayabilirler:
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. Üretim ortamında coco8.yaml, güncel ve tekrar oynatılan örnekleri içeren sürümlü bir veri kümesiyle değiştirilmelidir.
Somut uygulamalar şunları içerir:
- Üretimde görsel denetim: Yeni ürünler, malzemeler veya hata türleri ortaya çıktığında modeller güncellenir.
- Otonom araç algısı: Algılama sistemleri değişen yollara, hava durumuna, kamera koşullarına ve nesne dağılımlarına uyum sağlar.
- Perakende envanter yönetimi: Modeller, tam yeniden eğitim gerektirmeden yeni paketlemeleri ve mevsimsel ürünleri öğrenir.
Link to this sectionİlgili Kavramlar ve Temel Farklar#
Sürekli öğrenme daha kapsamlıdır: önceki bilgileri korurken görevler veya alanlar arasında öğrenmeyi hedefler. Çevrimiçi öğrenme, güncellemelerin ne zaman ve ne sıklıkla gerçekleştiğini tanımlar. Aktif öğrenme ise insan etiketlemesi için en bilgilendirici örnekleri seçerken, transfer öğrenimi önceden eğitilmiş bilgileri hedef bir göreve uyarlar.
Paylaşılan büyük bir zorluk felaket düzeyinde unutmadır. Yakın tarihli araştırmalar, model çöküşü veya önceki yeteneklerin kaybı olmadan verimli uyarlamayı inceleyen 2024'ten BECoTTA sürekli test zamanı adaptasyonu, 2025'ten Ranked Entropy Minimization ve 2026'dan PLASTIC stabilite-plastisite yöntemi çalışmalarını içermektedir. (proceedings.mlr.press)
Link to this sectionGüncel En İyi Uygulamalar#
- Veri kaymasını izle: Girdi dağılımlarını, güveni, doğruluğu ve sınıf sıklığını takip et.
- Tekrar oynatma verisini koru: Unutmayı azaltmak için temsilci tarihsel örnekleri yeni verilerle karıştır.
- Dağıtımdan önce doğrula: Güncellenmiş modelleri, kararlı bir holdout (ayrılmış) seti ve güncel veri test setlerine karşı karşılaştır.
- Version the complete workflow: Use Ultralytics Platform to manage annotation, datasets, training, deployment, and monitoring.
- Etiketsiz kaymayı tespit et: Etiketler geç geldiğinde, doğruluk ölçümlerini beklemek yerine özellik dağılımlarını ve tahmin davranışını izle. (dfki.de)
