Self-Supervised Learning

Yarı Denetimli Öğrenme (SSL), dışarıdan insan tarafından sağlanan etiketlere güvenmek yerine, sistemin verinin kendisinden kendi denetleyici sinyallerini üreterek veriyi anlamayı öğrendiği bir makine öğrenimi paradigmasıdır. Geleneksel Supervised Learning aşamasında modeller, "kedi" veya "köpek" olarak etiketlenmiş görseller gibi, üretilmesi maliyetli ve zaman alıcı olabilen devasa miktarlarda manuel olarak açıklama eklenmiş veriye ihtiyaç duyar. SSL, modelin giriş verisinin gizli veya eksik kısımlarını tahmin etmesi gereken "ön metin görevleri" oluşturarak bu darboğazı aşar ve böylece object detection ve sınıflandırma gibi karmaşık görevler için gereken temel yapıyı ve özellikleri kendine etkili bir şekilde öğretir.

Öz Denetimli Öğrenmenin Temel Mekanizmaları#

SSL'in arkasındaki temel fikir, verinin bir kısmını maskelemek veya gizlemek ve neural network (NN) yapısını bunu yeniden oluşturmaya veya aynı verinin farklı görünümleri arasındaki ilişkiyi tahmin etmeye zorlamaktır. Bu süreç, daha sonra belirli aşağı akış uygulamaları için ince ayar yapılabilen zengin, genel amaçlı temsiller oluşturur.

SSL kapsamında iki temel yaklaşım vardır:

• Generative Methods: Model, boşlukları doldurmak için piksel veya kelime üretmeyi öğrenir. Natural Language Processing (NLP) alanındaki klasik bir örnek, bir cümledeki bir sonraki kelimeyi tahmin etmektir. Bilgisayarla görü alanında, Masked Autoencoders (MAE) gibi teknikler bir görselin rastgele yamalarını gizler ve modele eksik pikselleri yeniden oluşturma görevi vererek onu görsel bağlamı "anlamaya" zorlar.
• Contrastive Learning: Bu yöntem, modele benzer ve benzer olmayan veri noktalarını birbirinden ayırmayı öğretir. Bir görsele Kırpma, renk ayarı veya döndürme gibi data augmentation teknikleri uygulanarak model, bu değiştirilmiş sürümlerin aynı nesneyi temsil ettiğini (pozitif çiftler) öğrenirken diğer görselleri farklı nesneler olarak ele alır (negatif çiftler). SimCLR gibi popüler çerçeveler büyük ölçüde bu ilkeye dayanır.

Gerçek Dünya Uygulamaları#

Yarı denetimli öğrenme, çeşitli alanlarda güçlü foundation models oluşturmak için bir temel taş haline gelmiştir. Devasa miktardaki etiketlenmemiş veriden yararlanma yeteneği onu son derece ölçeklenebilir kılar.

• Medical Imaging: Uzmanlar tarafından etiketlenmiş tıbbi taramalar elde etmek zor ve masraflıdır. SSL, modellerin genel anatomik özellikleri öğrenmek için binlerce etiketlenmemiş röntgen veya MR taraması üzerinde ön eğitim almasını sağlar. Bu önceden eğitilmiş model daha sonra tumor detection veya hastalık teşhisinde yüksek doğruluk elde etmek için az sayıda etiketli örnekle ince ayardan geçirilebilir.
• Autonomous Driving: Sürücüsüz arabalar günlük olarak terabaytlarca video verisi üretir. SSL, bu sistemlerin kare kare açıklama eklemeden ham video görüntülerinden zamansal dinamikleri ve uzamsal anlamayı öğrenmesini sağlar. Bu, gelecekteki kareleri veya nesne hareketini tahmin ederek lane detection ve engellerden kaçınmayı iyileştirmeye yardımcı olur.

SSL'i İlgili Terimlerden Ayırmak#

SSL'i Unsupervised Learning ile ayırmak önemlidir. Her iki yöntem de etiketlenmemiş verileri kullansa da denetimsiz öğrenme genellikle belirli bir tahmin görevi olmaksızın gizli kalıpları veya gruplamaları (kümeleme) bulmaya odaklanır. SSL ise bunun tersine, öğrenme sürecini etiketlerin doğrudan veri yapısından otomatik olarak oluşturulduğu denetimli bir görev olarak çerçeveler. Ek olarak, Semi-Supervised Learning az miktarda etiketli veriyi çok miktarda etiketlenmemiş verile birleştirirken saf SSL, herhangi bir ince ayar gerçekleşmeden önce etiketlerini tamamen etiketlenmemiş veri setinden kendi oluşturur.

Ultralytics İçinde Önceden Eğitilmiş Ağırlıkları Kullanma#

Ultralytics ekosisteminde YOLO26 gibi modeller, ImageNet veya COCO gibi devasa veri setleri üzerindeki ön eğitim aşamasında genellikle SSL'e benzer ilkeleri içeren gelişmiş eğitim stratejilerinden önemli ölçüde yararlanır. Bu, kullanıcılar belirli bir görev için bir modeli dağıttığında özellik çıkarıcıların halihazırda sağlam olmasını sağlar.

Kullanıcılar, Ultralytics Platform kullanarak modellerine kendi özel veri setleri üzerinde ince ayar yapmak için bu güçlü önceden eğitilmiş temsillerden yararlanabilir.

İşte önceden eğitilmiş bir Ultralytics YOLO26 modelini nasıl yükleyeceğinize ve yeni bir veri kümesinde ince ayar yapmaya nasıl başlayacağınıza dair kısa bir örnek; bu, ilk büyük ölçekli eğitimi sırasında öğrenilen özelliklerden yararlanmanızı sağlar:

from ultralytics import YOLO

# Load a pre-trained YOLO26 model (weights learned from large-scale data)
model = YOLO("yolo26n.pt")

# Fine-tune the model on a specific dataset (e.g., COCO8)
# This leverages the robust feature representations learned during pre-training
results = model.train(data="coco8.yaml", epochs=50, imgsz=640)

SSL'in Geleceği#

Meta AI ve Google DeepMind gibi büyük laboratuvarlardaki araştırmacılar bu teknikleri geliştirmeye devam ettikçe SSL, Generative AI ve bilgisayarla görü alanında mümkün olanın sınırlarını zorluyor. Etiketli verilere olan bağımlılığı azaltarak SSL, yüksek performanslı yapay zekaya erişimi demokratikleştiriyor ve daha küçük ekiplerin wildlife conservation veya industrial inspection gibi niş uygulamalar için gelişmiş modeller oluşturmasına olanak tanıyor.