Kendi Kendine Denetimli Öğrenme

Kendi Kendine Gözetimli Öğrenme (SSL), eğitim alanında dönüştürücü bir yaklaşımdır. Yapay Zeka (AI) sistemlerin açık insan açıklamasına ihtiyaç duymadan etiketsiz verilerden öğrenmesini sağlar. Gelenekselin aksine Gözetimli Öğrenmebüyük ölçüde manuel olarak etiketlenmiş örneklerden oluşan geniş veri kümelerine bağlı olan SSL, kendi denetleyici sinyallerini türetir doğrudan verilerin kendisinden. "Bahane görevleri" yaratarak ve çözerek -örneğin bir kitapta eksik kelimeleri tamamlayarak cümle veya bir görüntünün rotasyonunu tahmin etmek - model altta yatan yapıyı, bağlamı ve girdinin özellikleri. Bu yetenek, sağlam ve güvenilir bir sistem geliştirmek için çok önemlidir. Temel Modelleri bu olabilir Minimum ek eğitimle çok çeşitli aşağı akış görevlerine uyarlanabilir.

Kendi Kendine Denetimli Öğrenme Nasıl Çalışır

SSL'nin temel mekanizması, mevcut verilerin bir kısmının kaldırılmasını ve Sinir Ağı (NN) ile yeniden yapılandırılması. Bu süreç, modeli yüksek kaliteli temsilleri öğrenmeye zorlar veya katıştırmalaranlamsal anlamı yakalayan görevlerdir. Araştırma ve endüstride kullanılan iki temel bahane görevi kategorisi vardır:

• Üretken Yöntemler: Model bozuk veya maskelenmiş verileri onarır. Örneğin, içinde Doğal Dil İşleme (NLP)BERT gibi modeller belirli kelimeleri maskeler ve onları çevreleyen bağlama göre tahmin etmeye çalışır. Vizyonda, gibi teknikler Maskeli Otomatik Kodlayıcılar (MAE) Kaldır bir görüntüden yamalar ve eksik pikselleri yeniden yapılandırır.
• Kontrastlı Öğrenme: Bu yaklaşım, modele benzer ve benzer olmayanları ayırt etmeyi öğretir veri noktaları. Algoritmalar gibi SimCLR uygulamak veri artırımı (kırpma, renk titremesi) bir görüntüye ekler ve bu değiştirilmiş sürümlerin aynı görüntüyü temsil ettiğini anlamak için ağı eğitir. nesne, farklı görüntülerin temsillerini uzaklaştırırken.

Gerçek Dünya Uygulamaları

Kendi kendine denetimli öğrenme, devasa, sınıflandırılmamış veri kümelerinin değerini ortaya çıkararak sektörlerde devrim yarattı. İşte burada etkisinin iki somut örneği:

1. Tıbbi Görüntü Analizi: Etiketli tıbbi veri elde etmek pahalıdır ve uzman radyologlar gerektirir. SSL, modellerin önceden eğitilmesine olanak tanır Genel anatomik özellikleri öğrenmek için binlerce etiketsiz X-ışını veya MRI taraması. Bu ön eğitim önemli ölçüde gibi belirli görevler için daha sonra küçük, etiketli bir veri kümesi üzerinde ince ayar yapıldığında performansı artırır. tümör tespi̇ti̇sınırlı gözetim ile teşhis doğruluğunu artırır.
2. Otonom Araçlar: Sürücüsüz araçlar her gün terabaytlarca video verisi üretir. Her kareyi etiketlemek mümkün değildir. SSL şunları sağlar zamansal dinamikleri öğrenmek için sistemler ve derinlik tahmini ham videodan gelecek kareleri tahmin ederek veya zaman içinde nesne tutarlılığını değerlendirerek besler. Bu iyileştirmeye yardımcı olur nesne takibi ve Sürekli insan girdisi olmadan çevresel anlayış.

SSL'i İlgili Kavramlardan Ayırt Etme

SSL'yi tam olarak anlamak için onu benzer öğrenme paradigmalarından ayırmak faydalı olacaktır:

• Karşı. Denetimsiz Öğrenme: Her ikisi de etiketsiz veri kullanmaktadır, Denetimsiz Öğrenme tipik olarak müşterileri kümeleme veya boyut azaltma gibi gizli kalıpları bulmaya odaklanır. SSL özellikle diğer görevlere aktarılabilen temsilleri öğrenmeyi amaçlar, etkili bir şekilde denetimli öğrenme, ancak kendi ürettiği etiketlerle.
• Karşı. Yarı Denetimli Öğrenme: Yarı Denetimli Öğrenme Aynı eğitim aşamasında az miktarda etiketli veriyi büyük miktarda etiketsiz veriyle birleştirir. İçinde Buna karşılık, SSL genellikle yalnızca etiketsiz veriler üzerinde bir "ön eğitim" adımı olarak kullanılır ve ardından ince ayar etiketlenmiş veriler üzerinde.

Önceden Eğitilmiş Modellerden Yararlanma

Pratikte, çoğu geliştirici SSL'i aşağıdaki yöntemlerden yararlanarak kullanır model ağırlıkları zaten yapılmış olan büyük veri kümeleri üzerinde önceden eğitilmiştir. Örneğin Ultralytics YOLO11 mi̇mari̇ faydalar kapsamlı eğitimle geliştirilmiş derin özellik çıkarma yeteneklerinden yararlanır. YOLO denetlenirken, YOLO kavramı transfer öğrenmesi - görsel özellikleri anlayan bir modelin alınması ve yeni bir göreve uygulanması - birincil SSL araştırmasının aşağı yönlü faydası.

Aşağıdaki Python örneği, önceden eğitilmiş bir modelin nasıl yükleneceğini ve belirli bir veri kümesi üzerinde nasıl ince ayar yapılacağını göstermektedir. Bu iş akışı, ilk ön eğitim aşamasında öğrenilen özellik temsillerine dayanır.

from ultralytics import YOLO

# Load a pre-trained YOLO11 model (weights act as the learned representation)
model = YOLO("yolo11n.pt")

# Fine-tune the model on a specific task, leveraging its existing visual knowledge
# This transfer learning process is highly efficient due to robust pre-training
results = model.train(data="coco8.yaml", epochs=5, imgsz=640)

# Perform inference to verify the model detects objects correctly
model.predict("https://ultralytics.com/images/bus.jpg", save=True)

Kendi Kendine Denetimli Öğrenmenin Geleceği

Araştırmacılar, ezberden ziyade gözlem yoluyla insanlar gibi öğrenen modeller için çabalarken, SSL yenilikçiliğin ön saflarında yer almaya devam etmektedir. Aşağıdakiler de dahil olmak üzere büyük araştırma laboratuvarları Google DeepMind ve Meta Yapay Zekaetiketli verilere olan bağımlılığı azaltan atılımlar yayınlamaya devam ediyor. Ultralytics'te aşağıdakileri entegre ediyoruz bu gelişmeleri Ar-Ge çalışmalarımıza YOLO26farklı alanlarda etkili bir şekilde genelleme yapabilen daha hızlı, daha küçük ve daha doğru modeller sunmayı amaçlamaktadır. Bilgisayarla Görme (CV) görevler. Gibi araçlar PyTorch ve yakında çıkacak olan Ultralytics Platformu bu gelişmiş yetenekleri gerçek üretim ortamlarında kullanmayı her zamankinden daha kolay hale getiriyor.