Semi-Supervised Learning

Semi-supervised learning (SSL) is a strategic paradigm in machine learning (ML) that acts as a bridge between two traditional training methods. While supervised learning relies entirely on fully annotated datasets and unsupervised learning attempts to find patterns in data without any tags, SSL operates by combining a small amount of labeled data with a significantly larger pool of unlabeled data. This approach is particularly valuable in real-world computer vision (CV) scenarios where collecting raw imagery—such as video footage from security cameras or satellites—is relatively inexpensive, but the process of data labeling by human experts is costly, slow, and labor-intensive. By effectively utilizing the structure hidden within the unlabeled examples, SSL can significantly improve model accuracy and generalization without requiring an exhaustive annotation budget.

Link to this sectionYarı Denetimli Öğrenmenin Temel Mekanizmaları#

SSL'nin temel amacı, küçük etiketli örnek kümesinde bulunan bilgileri daha büyük etiketlenmemiş kümeye yaymaktır. Bu, sinir ağının verilerin düşük yoğunluklu bölgelerinden geçen karar sınırlarını öğrenmesini sağlayarak daha sağlam sınıflandırma veya tespit sonuçları elde edilmesine olanak tanır.

Çoğu yarı denetimli iş akışını iki popüler teknik yönlendirir:

• Sözde Etiketleme: Bu yöntemde, bir model önce sınırlı etiketli veriler üzerinde eğitilir. Ardından, etiketlenmemiş veriler üzerinde çıkarım yapmak için kullanılır. Belirli bir güven eşiğini aşan tahminler, "sözde etiketler" veya temel gerçeklik olarak kabul edilir. Bu güvenilir tahminler eğitim verisine eklenir ve model yeniden eğitilerek performansı yinelemeli olarak iyileştirilir.
• Tutarlılık Düzenlileştirmesi: Bu teknik, veri artırma yöntemine dayanır. Buradaki fikir, bir modelin bir görüntü ve o görüntünün hafifçe değiştirilmiş (artırılmış) bir versiyonu için benzer tahminler üretmesi gerektiğidir. Orijinal ve artırılmış versiyon arasındaki tahmin farkını en aza indirerek, model gürültü yerine nesnenin temel özelliklerine odaklanmayı öğrenir ve aşırı öğrenme ile başa çıkma yeteneğini geliştirir.

Link to this sectionYOLO ile Pratik Uygulama#

Aşağıdaki Python örneği, ultralytics paketini kullanarak basit bir sözde etiketleme iş akışını göstermektedir. Burada, küçük bir veri kümesinde bir YOLO26 modeli eğitiyor ve ardından bu modeli, etiketlenmemiş görüntülerden oluşan bir dizin için etiketler oluşturmak amacıyla kullanıyoruz.

from ultralytics import YOLO

# Load the latest YOLO26 model
model = YOLO("yolo26n.pt")

# Train initially on a small available labeled dataset
model.train(data="coco8.yaml", epochs=10)

# Run inference on unlabeled data to generate pseudo-labels
# Setting save_txt=True saves the detections as text files for future training
results = model.predict(source="./unlabeled_images", save_txt=True, conf=0.85)

Link to this sectionGerçek Dünya Uygulamaları#

Yarı denetimli öğrenme, verinin bol ancak uzmanlığın kıt olduğu endüstrileri dönüştürüyor.

• Tıbbi Görüntüleme: Sağlık teknolojilerinde yapay zeka alanında taramalar (röntgen, MR) almak standart bir prosedürdür, ancak kurul onaylı bir radyoloğun tümör tespiti için her bir pikseli etiketlemesi aşırı derecede maliyetlidir. SSL, araştırmacıların binlerce arşivlenmiş taramadan yararlanarak modelin biyolojik yapıları anlama yeteneğini geliştirmesine ve uzman onaylı vakaların sadece bir kısmını kullanarak yüksek performanslı modeller eğitebilmesine olanak tanır.
• Otonom Sürüş: Kendi kendine giden araç şirketleri, filo araçlarından günlük olarak petabaytlarca video verisi toplar. Nesne tespiti ve anlamsal bölümleme için her kareyi etiketlemek imkansızdır. SSL sayesinde sistem, karmaşık yol ortamlarını, hava koşullarını ve nadir karşılaşılan uç durumları daha iyi anlamak için etiketlenmemiş sürüş saatlerinin büyük çoğunluğundan öğrenebilir.

Link to this sectionİlgili Kavramları Ayırt Etme#

Yapay zeka çözümlerini etkili bir şekilde dağıtmak için SSL'nin benzer stratejilerden nasıl farklılaştığını anlamak çok önemlidir:

• vs. Aktif Öğrenme: Her ikisi de etiketlenmemiş verilerle uğraşsa da, etiketleme yaklaşımları farklıdır. SSL, model tahminlerine dayanarak etiketleri otomatik olarak atar. Buna karşılık aktif öğrenme, en "kafa karıştırıcı" veya belirsiz veri noktalarını tanımlar ve bunları etiketlemesi için açıkça bir insan-döngüde süreci talep eder; böylece insanı tamamen devre dışı bırakmak yerine onun zamanını optimize eder.
• vs. Transfer Öğrenme: Transfer öğrenme, devasa bir harici veri kümesi üzerinde (örneğin ImageNet) önceden eğitilmiş bir modeli alıp kendi özel göreviniz üzerinde ince ayar yapmayı içerir. SSL ise, eğitim süreci sırasında kendi özel veri kümesi dağılımınızın etiketlenmemiş kısmından yararlanmaya odaklanır.
• vs. Kendi Kendine Denetimli Öğrenme: İsimler benzer olsa da, kendi kendine denetimli öğrenme genellikle verinin herhangi bir harici etiket olmadan kendi denetim sinyallerini ürettiği "ön görevleri" (görüntü parçalarından yapboz çözmek gibi) ifade eder. SSL, süreci yönlendirmek için daha küçük bir doğrulanmış etiket kümesinin kullanımını özellikle ima eder.

Link to this sectionAraçlar ve Geleceğe Bakış#

Derin öğrenme (DL) modelleri büyüdükçe, veri kullanımının verimliliği en önemli konu haline geliyor. PyTorch ve TensorFlow gibi modern çerçeveler, bu gelişmiş eğitim döngüleri için hesaplama altyapısını sağlar. Ayrıca, Ultralytics Platform gibi araçlar veri kümesi yönetiminin yaşam döngüsünü basitleştiriyor. Otomatik etiketleme gibi özelliklerden yararlanan ekipler, yarı denetimli iş akışlarını daha kolay uygulayarak ham verileri hızla üretime hazır model ağırlıklarına dönüştürebilirler. MLOps alanındaki bu evrim, yüksek doğruluklu görü sistemleri oluşturmak için giriş engelinin düşmeye devam etmesini sağlar.