Kendi Kendine Denetimli Öğrenme

Kendi Kendini Denetleyen Öğrenme (SSL), bir sistemin, insan tarafından sağlanan harici etiketlere güvenmek yerine, verilerin kendisinden kendi denetim sinyallerini üreterek verileri anlamayı öğrendiği bir makine öğrenimi paradigmasıdır. Geleneksel denetimli öğrenmede Denetimli Öğrenmede, modellerin "kedi" veya "köpek" gibi etiketlenmiş görüntüler gibi manuel olarak etiketlenmiş büyük miktarda veriye ihtiyacı vardır ve bu verilerin üretilmesi pahalı ve zaman alıcı olabilir. SSL, modelin girdi verilerinin gizli veya eksik kısımlarını tahmin etmesi gereken "gerekçe görevleri" oluşturarak bu darboğazı aşar ve böylece kendine, nesne algılama gibi karmaşık görevler için gerekli olan temel yapı ve özellikleri etkili bir şekilde öğretir. nesne algılama ve sınıflandırma

Öz Denetimli Öğrenmenin Temel Mekanizmaları

SSL'nin temel fikri, verilerin 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 alt uygulamalar için ince ayar yapılabilen zengin, genel amaçlı temsiller oluşturur.

SSL içinde iki temel yaklaşım vardır:

• Üretken Yöntemler: Model, boşlukları doldurmak için piksel veya kelimeler üretmeyi öğrenir. Doğal Dil İşleme (NLP) Doğal Dil İşleme (NLP) , bir cümlenin sonraki kelimesini tahmin etmektir. Bilgisayar görmede, maskelenmiş otomatik kodlayıcılar (MAE) görüntünün rastgele bölümlerini gizler ve modele eksik pikselleri yeniden oluşturma görevi verir, böylece modeli görsel bağlamı "anlamaya" zorlar.
• Karşılaştırmalı Öğrenme: Bu yöntem, modele benzer ve farklı veri noktalarını ayırt etmeyi öğretir. Veri artırma veri artırma teknikleri uygulayarak, model bu değiştirilmiş versiyonların aynı nesneyi temsil ettiğini öğrenir (pozitif çiftler) ve diğer görüntüleri farklı nesneler olarak değerlendirir (negatif çiftler). SimCLR gibi popüler çerçeveler SimCLR bu ilkeye büyük ölçüde dayanmaktadır .

Gerçek Dünya Uygulamaları

Öz denetimli öğrenme, güçlü temel modeller oluşturmanın temel taşı haline gelmiştir. temel modeller kurmak için temel taşlarından biri haline gelmiştir. Büyük miktarda etiketlenmemiş veriyi kullanma yeteneği, onu son derece ölçeklenebilir hale getirmektedir.

• Tıbbi Görüntüleme: Uzmanlar tarafından etiketlenmiş tıbbi taramalar elde etmek zor ve maliyetlidir. SSL, modellerin genel anatomik özellikleri öğrenmek için binlerce etiketlenmemiş röntgen veya MRI taraması üzerinde önceden eğitilmesine olanak tanır. Bu önceden eğitilmiş model, daha sonra az sayıda etiketlenmiş örnekle ince ayarlanarak tümör tespitinde yüksek doğruluk elde edilebilir tümör tespiti veya hastalık teşhisinde yüksek doğruluk elde etmek için ince ayar yapılabilir.
• Otonom Sürüş: Otonom araçlar her gün terabaytlarca video verisi üretir. SSL, bu sistemlerin kare kare açıklama yapmadan ham video görüntülerinden zamansal dinamikleri ve uzamsal anlayışı öğrenmesini sağlar. Bu, şerit algılama ve engellerden kaçınmayı iyileştirmeye yardımcı olur.

SSL'yi İlgili Terimlerden Ayırma

SSL'yi aşağıdakilerden ayırmak önemlidir Denetimsiz Öğrenme. Her iki yöntem de etiketlenmemiş verileri kullanır, ancak denetimsiz öğrenme genellikle belirli bir tahmin görevi olmadan gizli kalıpları veya gruplamaları (kümeleme) bulmaya odaklanır. SSL ise öğrenme sürecini, etiketlerin veri yapısından otomatik olarak üretildiği denetimli bir görev olarak çerçeveler. Ek olarak, Yarı Denetimli Öğrenme az miktarda etiketli veriyi büyük miktarda etiketlenmemiş veriyle birleştirirken, saf SSL herhangi bir ince ayar yapılmadan önce tamamen etiketlenmemiş veri kümesinden kendi etiketlerini oluşturur.

Ultralytics'te Önceden Eğitilmiş Ağırlıkların Kullanılması

Ultralytics ekosisteminde, YOLO26 gibi modeller, büyük veri kümeleri üzerinde ön eğitim aşamasında SSL'ye benzer ilkeleri sıklıkla içeren gelişmiş eğitim stratejilerinden önemli ölçüde yararlanmaktadır. ImageNet ImageNet veya COCOgibi büyük veri kümeleri üzerinde SSL'ye benzer ilkeleri içeren gelişmiş eğitim stratejilerinden önemli ölçüde yararlanır. Bu, kullanıcıların belirli bir görev için bir model uyguladıklarında, özellik çıkarıcıların zaten sağlam olmasını sağlar.

Kullanıcılar, bu güçlü önceden eğitilmiş temsilleri kullanarak, kendi özel veri kümeleri üzerinde modelleri ince ayar yapabilirler. Ultralytics Platformu Ultralytics kullanarak modellerini kendi özel veri kümeleri üzerinde ince ayar yapabilirler.

İşte önceden eğitilmiş bir YOLO26 modelini yükleme ve yeni bir veri setinde ince ayarlamaya başlama konusunda kısa bir örnek. Bu örnekte, ilk büyük ölçekli eğitim sırasında öğrenilen özelliklerden yararlanılıyor:

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 gibi büyük laboratuvarların araştırmacıları Meta AI ve Google gibi büyük laboratuvarların araştırmacıları bu teknikleri geliştirmeye devam ederken, SSL ve bilgisayar görme alanlarında mümkün olanın sınırlarını zorluyor. ve bilgisayar görüşü alanlarında sınırları zorluyor. Etiketli verilere olan bağımlılığı azaltarak, SSL yüksek performanslı AI'ya erişimi demokratikleştiriyor ve daha küçük ekipler nin niş uygulamalar için sofistike modeller oluşturmasına olanak tanıyor. vahşi yaşamın korunması veya endüstriyel denetimgibi niş uygulamalar için sofistike modeller oluşturmasına olanak tanıyor.