Self-Supervised Learning

Öz Denetimli Öğrenme (SSL), bir sistemin harici insan tarafından sağlanan etiketlere güvenmek yerine, verinin kendisinden kendi denetim sinyallerini oluşturarak veriyi anlamayı öğrendiği bir makine öğrenmesi paradigmasıdır. Geleneksel Denetimli Öğrenme yöntemlerinde modeller, üretilmesi pahalı ve zaman alıcı olabilen "kedi" veya "köpek" olarak etiketlenmiş görüntüler gibi çok miktarda manuel olarak açıklanmış veriye ihtiyaç duyar. SSL, modelin giriş verisinin gizli veya eksik kısımlarını tahmin etmesi gereken "öncü görevler" yaratarak bu darboğazı aşar ve nesne algılama ve sınıflandırma gibi karmaşık görevler için gerekli olan temel yapıyı ve özellikleri kendi kendine öğretir.

Link to this sectionÖz Denetimli Öğrenmenin Temel Mekanizmaları#

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

SSL kapsamında iki temel yaklaşım vardır:

• Üretken Yöntemler: Model, boşlukları doldurmak için pikseller veya kelimeler üretmeyi öğrenir. Doğal Dil İşleme (NLP) alanında klasik bir örnek, bir cümledeki bir sonraki kelimeyi tahmin etmektir. Bilgisayarlı görüde, Maskeli Otomatik Kodlayıcılar (MAE) gibi teknikler, bir görüntünün rastgele yamalarını gizler ve modele eksik pikselleri yeniden oluşturma görevi vererek, görsel bağlamı "anlamaya" zorlar.
• Karşıtlıklı Öğrenme: Bu yöntem, modele benzer ve benzer olmayan veri noktalarını ayırt etmeyi öğretir. Bir görüntüye kırpma, renk titretme veya döndürme gibi veri artırma teknikleri uygulayarak, model bu değiştirilmiş sürümlerin aynı nesneyi temsil ettiğini (pozitif çiftler) öğrenirken diğer görüntüleri farklı nesneler (negatif çiftler) olarak ele alır. SimCLR gibi popüler çerçeveler büyük ölçüde bu ilkeye dayanır.

Link to this sectionGerçek Dünya Uygulamaları#

Öz denetimli öğrenme, çeşitli alanlarda güçlü temel modeller oluşturmak için bir temel taşı haline gelmiştir. Muazzam miktarda etiketlenmemiş veriden yararlanabilme yeteneği, onu son derece ölçeklenebilir kılar.

• Tıbbi Görüntüleme: Uzmanlar tarafından etiketlenmiş tıbbi taramalar elde etmek zor ve maliyetlidir. SSL, modellerin genel anatomik özellikleri öğrenmek için binlerce etiketsiz röntgen veya MRI taraması üzerinde ön eğitim almasına olanak tanır. Bu önceden eğitilmiş model daha sonra tümör tespiti veya hastalık teşhisinde yüksek doğruluk elde etmek için az sayıda etiketli örnekle ince ayar yapılabilir.
• Otonom Sürüş: Kendi kendine giden arabalar her gün terabaytlarca video verisi üretir. SSL, bu sistemlerin kare kare açıklamaya gerek kalmadan ham video görüntüleri üzerinden zamansal dinamikleri ve mekansal anlayışı öğrenmesini sağlar. Bu, gelecekteki kareleri veya nesne hareketini tahmin ederek şerit takibi ve engel algılamayı iyileştirmeye yardımcı olur.

Link to this sectionSSL'i İlgili Terimlerden Ayırmak#

SSL'i Denetimsiz Öğrenmeden ayırmak önemlidir. Her iki yöntem de etiketlenmemiş verileri kullansa da, denetimsiz öğrenme tipik olarak belirli bir tahmin görevi olmaksızın gizli kalıpları veya gruplamaları (kümeleme) bulmaya odaklanır. Buna karşılık SSL, öğrenme sürecini, etiketlerin veri yapısının kendisinden otomatik olarak oluşturulduğu denetimli bir görev olarak çerçeveler. Ek olarak, Yarı Denetimli Öğrenme az miktarda etiketli veriyi büyük miktarda etiketsiz veriyle birleştirirken, saf SSL herhangi bir ince ayar gerçekleşmeden önce kendi etiketlerini tamamen etiketsiz veri kümesinden oluşturur.

Link to this sectionUltralytics İçinde Önceden Eğitilmiş Ağırlıkları Kullanma#

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

Kullanıcılar, bu güçlü önceden eğitilmiş temsillerden yararlanarak Ultralytics Platform üzerinden kendi özel veri kümeleri üzerinde modellere ince ayar yapabilirler.

İşte önceden eğitilmiş bir YOLO26 modelini nasıl yükleyeceğinize ve ilk büyük ölçekli eğitimi sırasında öğrenilen özelliklerden yararlanarak yeni bir veri kümesi üzerinde ince ayar yapmaya nasıl başlayacağınıza dair kısa bir örnek:

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)

Link to this sectionSSL'in Geleceği#

Meta AI ve Google DeepMind gibi büyük laboratuvarlardaki araştırmacılar bu teknikleri geliştirmeye devam ettikçe, SSL, Üretken Yapay Zeka ve bilgisayarlı görüde mümkün olanın sınırlarını zorluyor. Etiketli verilere olan bağımlılığı azaltarak SSL, yüksek performanslı yapay zekaya erişimi demokratikleştiriyor ve daha küçük ekiplerin yaban hayatı koruma veya endüstriyel denetim gibi niş uygulamalar için gelişmiş modeller oluşturmasına olanak tanıyor.