Semi-Supervised Learning

Yarı denetimli öğrenme (SSL), iki geleneksel eğitim yöntemi arasında köprü görevi gören machine learning (ML) alanında stratejik bir paradigma'dır. Supervised learning tamamen tam etiketlenmiş veri setlerine dayanırken ve unsupervised learning hiçbir etiket olmadan verideki örüntüleri bulmaya çalışırken, SSL az miktarda labeled data ile çok daha büyük bir unlabeled data havuzunu birleştirerek çalışır. Bu yaklaşım, güvenlik kameralarından veya uydulardan alınan video görüntüleri gibi ham görselleri toplamanın nispeten ucuz olduğu ancak insan uzmanlar tarafından data labeling sürecinin maliyetli, yavaş ve emek yoğun olduğu gerçek dünya computer vision (CV) senaryolarında özellikle değerlidir. Etiketlenmemiş örneklerin içinde saklı olan yapıyı etkin bir şekilde kullanan SSL, ayrıntılı bir etiketleme bütçesi gerektirmeden model accuracy ve genelleme yeteneğini önemli ölçüde artırabilir.

Yarı Denetimli Öğrenmenin Temel Mekanizmaları#

SSL'in birincil amacı, küçük etiketli örnek setinde bulunan bilgileri daha büyük etiketlenmemiş sete aktarmaktır. Bu, neural network modelinin verilerin düşük yoğunluklu bölgelerinden geçen karar sınırlarını öğrenmesini sağlar ve daha sağlam sınıflandırma veya tespit sonuçları elde edilir.

Çoğu yarı denetimli iş akışını iki popüler teknik yönlendirir:

• Sözde Etiketleme: Bu yöntemde, bir model önce sınırlı etiketli veriler üzerinde eğitilir. Daha sonra etiketlenmemiş veriler üzerinde çıkarım yapmak için kullanılır. Belirli bir confidence eşiğini aşan tahminler "sözde etiketler" veya ground truth olarak ele alınır. Bu güvenilir tahminler training data verilerine eklenir ve model performansını yinelemeli olarak iyileştirecek şekilde yeniden eğitilir.
• Tutarlılık Düzenlileştirmesi: Bu teknik data augmentation yöntemine dayanır. Temel fikir, bir modelin bir görüntü ile aynı 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 overfitting durumunu ele alma yeteneğini geliştirir.

YOLO ile Pratik Uygulama#

Aşağıdaki Python örneği, ultralytics paketini kullanarak basit bir sözde etiketleme iş akışını göstermektedir. Burada, küçük bir veri seti üzerinde bir YOLO26 modeli eğitiyor ve ardından bunu etiketlenmemiş görüntülerden oluşan bir dizin için etiketler oluşturmak üzere 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)

Gerçek Dünya Uygulamaları#

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

• Tıbbi Görüntüleme: healthcare AI alanında tarama (röntgen, MR) elde etmek standart bir prosedürdür, ancak kurul onaylı bir radyoloğun tumor detection için her pikseli etiketlemesi aşırı derecede maliyetlidir. SSL, araştırmacıların uzmanlar tarafından etiketlenmiş vakaların yalnızca bir kısmını kullanarak yüksek performanslı modeller eğitmesine olanak tanır ve modelin biyolojik yapıları anlamasını geliştirmek için binlerce arşivlenmiş taramadan yararlanır.
• Otonom Sürüş: Otonom araç şirketleri filo araçlarından günlük olarak petabaytlarca video verisi toplar. object detection ve semantic segmentation için her karenin etiketlenmesi imkansızdır. SSL sayesinde sistem, karmaşık yol ortamlarını, hava koşullarını ve nadir uç durumları daha iyi anlamak için etiketlenmemiş sürüş saatlerinin çok büyük bir kısmından öğrenebilir.

İlgili Kavramları Ayırt Etme#

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

• vs. Active Learning: Her ikisi de etiketlenmemiş verilerle ilgilense de etiketleme yaklaşımıkları farklıdır. SSL, model tahminlerine dayanarak otomatik olarak etiketler atar. Buna karşın aktif öğrenme, en "kafa karıştırıcı" veya belirsiz veri noktalarını belirler ve bunları etiketlemek için açıkça bir human-in-the-loop süreci talep ederek insanı tamamen ortadan kaldırmak yerine onun zamanını optimize eder.
• vs. Transfer Learning: Transfer öğrenimi, devasa bir harici veri setinde (ImageNet gibi) önceden eğitilmiş bir modeli almayı ve bunu belirli görevinizde ince ayar yapmayı içerir. Ancak SSL, eğitim sürecinin kendisinde özel veri setinizin dağılımının etiketlenmemiş kısmından yararlanmaya odaklanır.
• vs. Self-Supervised Learning: İsimleri benzer olsa da, kendi kendine denetimli öğrenme genellikle verilerin hiçbir harici etiket olmadan kendi denetim sinyallerini ürettiği "ön metin görevlerini" (görüntü parçalarından oluşan bir yapbozu çözmek gibi) ifade eder. SSL, özellikle sürece rehberlik etmek için daha küçük bir doğrulanmış etiket setinin kullanımını ifade eder.

Araçlar ve Geleceğe Bakış#

deep learning (DL) modelleri boyut olarak büyüdükçe, veri kullanımının verimliliği son derece önemli hale gelir. PyTorch ve TensorFlow gibi modern çerçeveler, bu gelişmiş eğitim döngüleri için hesaplama altyapısını sağlar. Ek olarak, Ultralytics Platform gibi araçlar veri seti yönetiminin yaşam döngüsünü basitleştirmektedir. auto-annotation gibi özelliklerden yararlanarak ekipler yarı denetimli iş akışlarını daha kolay uygulayabilir, ham verileri hızla üretime hazır model weights haline getirebilir. MLOps alanındaki bu evrim, yüksek doğruluklu görme sistemleri oluşturmak için giriş engelinin düşmeye devam etmesini sağlar.