Self-Supervised Learning

Öz Denetimli Öğrenme (SSL), harici insan etiketlerine güvenmek yerine verinin kendisinden kendi denetim sinyallerini üreterek bir sistemin veriyi anlamayı öğrendiği bir makine öğrenimi paradigmasıdır. Geleneksel Denetimli Öğrenme yöntemlerinde modeller, üretimi pahalı ve zaman alıcı olabilen, "kedi" veya "köpek" olarak etiketlenmiş görüntüler gibi çok miktarda manuel açıklamalı veriye ihtiyaç duyar. SSL, modelin girdi verilerinin gizli veya eksik kısımlarını tahmin etmesini gerektiren "öncül görevler" oluşturarak bu darboğazı aşar ve böylece modele nesne tespiti ve sınıflandırma gibi karmaşık görevler için gerekli temel yapıyı ve özellikleri kendi kendine öğretir.

Öz Denetimli Öğrenmenin Temel Mekanizmaları#

SSL'nin temelindeki fikir, verilerin bir bölümünü maskelemek veya gizlemek ve sinir ağını (NN) bu bölümü yeniden oluşturması ya da aynı verinin farklı görünümleri arasındaki ilişkiyi tahmin etmesi için zorlamaktır. Bu süreç, daha sonra belirli alt uygulamalar için ince ayar yapılabilen zengin ve genel amaçlı temsiller oluşturur.

SSL kapsamında iki temel yaklaşım vardır:

• Üretici Yöntemler: Model, boşlukları doldurmak için pikseller veya kelimeler üretmeyi öğrenir. Doğal Dil İşleme (NLP) alanındaki klasik bir örnek, bir cümledeki sonraki kelimeyi tahmin etmektir. Bilgisayarlı görüde Maskeli Otokodlayıcılar (MAE) gibi teknikler, bir görüntünün rastgele parçalarını gizler ve modelden eksik pikselleri yeniden oluşturmasını ister; bu da modeli görsel bağlamı "anlamaya" zorlar.
• Karşılaştırmalı Öğrenme: Bu yöntem, modele benzer ve benzer olmayan veri noktalarını ayırt etmeyi öğretir. Bir görüntüye kırpma, renk titreştirme veya döndürme gibi veri artırma teknikleri uygulandığında model, bu değiştirilmiş sürümlerin aynı nesneyi (pozitif çiftler) temsil ettiğini öğrenirken diğer görüntülere farklı nesneler (negatif çiftler) olarak davranır. SimCLR gibi popüler çerçeveler büyük ölçüde bu ilkeye dayanır.

Gerçek Dünya Uygulamaları#

Öz denetimli öğrenme, çeşitli alanlarda güçlü temel modeller oluşturmanın temel taşlarından biri hâline gelmiştir. Etiketlenmemiş büyük miktarda veriden yararlanabilmesi, bu yaklaşımı son derece ölçeklenebilir kılar.

• Tıbbi Görüntüleme: Uzmanlar tarafından etiketlenmiş tıbbi taramaları elde etmek zor ve maliyetlidir. SSL, modellerin genel anatomik özellikleri öğrenmek için binlerce etiketsiz röntgen veya MRI taraması üzerinde ön eğitim almasını sağlar. Bu önceden eğitilmiş model, daha sonra az sayıda etiketli örnekle ince ayarlanarak tümör tespitinde veya hastalık teşhisinde yüksek doğruluk elde edebilir.
• Otonom Sürüş: Otonom araçlar her gün terabaytlarca video verisi üretir. SSL, bu sistemlerin kare kare açıklama gerektirmeden ham video görüntülerinden zamansal dinamikleri ve uzamsal anlayışı öğrenmesini sağlar. Bu, gelecek kareleri veya nesne hareketlerini tahmin ederek şerit tespitini ve engellerden kaçınmayı iyileştirmeye yardımcı olur.

SSL'yi İlgili Terimlerden Ayırt Etme#

SSL'yi Denetimsiz Öğrenmeden ayırt etmek önemlidir. Her iki yöntem de etiketlenmemiş verilerden yararlansa da denetimsiz öğrenme, genellikle belirli bir tahmin görevi olmadan gizli örüntüleri veya grupları (kümeleme) bulmaya odaklanır. Buna karşılık SSL, etiketlerin veri yapısının kendisinden otomatik olarak üretildiği bir denetimli görev olarak kurgular. Ayrıca Yarı Denetimli Öğrenme, az miktarda etiketli veriyi büyük miktarda etiketlenmemiş veriyle birleştirirken saf SSL, herhangi bir ince ayar yapılmadan önce etiketlerini tamamen etiketlenmemiş veri kümesinden kendisi oluşturur.

Ultralytics'te Önceden Eğitilmiş Ağırlıkları Kullanma#

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

Kendi özel veri kümelerinde modelleri Ultralytics Platformu kullanarak ince ayarlamak için bu güçlü, önceden eğitilmiş temsillerden yararlanabilirsin.

Aşağıda, önceden eğitilmiş bir Ultralytics YOLO26 modelinin nasıl yükleneceğini ve ilk büyük ölçekli eğitimi sırasında öğrenilen özelliklerden yararlanarak yeni bir veri kümesi üzerinde ince ayar yapmaya nasıl başlanacağını gösteren kısa bir örnek verilmiştir:

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'nin Geleceği#

Meta AI ve Google DeepMind gibi büyük laboratuvarlardaki araştırmacılar bu teknikleri geliştirmeye devam ederken SSL, Üretken Yapay Zekâ ve bilgisayarlı görü alanlarında mümkün olanların sınırlarını zorluyor. SSL, etiketli verilere olan bağımlılığı azaltarak yüksek performanslı yapay zekâya erişimi demokratikleştiriyor ve daha küçük ekiplerin yaban hayatını koruma veya endüstriyel denetim gibi niş uygulamalar için gelişmiş modeller oluşturmasına olanak tanıyor.