Semi-Supervised Learning

Yarı denetimli öğrenme (SSL), iki geleneksel eğitim yöntemi arasında köprü görevi gören makine öğreniminde (ML) stratejik bir paradigmadır. Denetimli öğrenme, tamamen açıklamalı veri kümelerine tümüyle dayanırken denetimsiz öğrenme, herhangi bir etiket olmadan verilerdeki örüntüleri bulmaya çalışır; SSL ise az miktarda etiketli veriyi, çok daha büyük bir etiketlenmemiş veri havuzuyla birleştirerek çalışır. Bu yaklaşım, güvenlik kameralarından veya uydulardan alınan video görüntüleri gibi ham görüntüleri toplamanın nispeten ucuz olduğu, ancak insan uzmanlar tarafından gerçekleştirilen veri etiketleme sürecinin maliyetli, yavaş ve emek yoğun olduğu gerçek dünyadaki bilgisayarlı görü (CV) senaryolarında özellikle değerlidir. SSL, etiketlenmemiş örneklerde gizli olan yapıdan etkili bir şekilde yararlanarak kapsamlı bir açıklama bütçesine ihtiyaç duymadan model doğruluğunu ve genelleme yeteneğini önemli ölçüde artırabilir.

Yarı Denetimli Öğrenmenin Temel Mekanizmaları#

SSL'nin temel amacı, az sayıdaki etiketli örnekte bulunan bilgiyi daha büyük etiketlenmemiş kümeye aktarmaktır. Bu, sinir ağının verilerin düşük yoğunluklu bölgelerinden geçen karar sınırlarını öğrenmesini sağlar ve daha dayanıklı sınıflandırma veya tespit sonuçları verir.

Çoğu yarı denetimli iş akışını iki popüler teknik yönlendirir:

• Sözde Etiketleme: Bu yöntemde model önce sınırlı miktardaki etiketli veriyle eğitilir. Ardından etiketlenmemiş veriler üzerinde çıkarım yapmak için kullanılır. Belirli bir güven eşiğini aşan tahminler, "sözde etiketler" veya gerçek referans olarak değerlendirilir. Bu güvenilir tahminler eğitim verilerine eklenir ve model yeniden eğitilir; böylece performansı yinelemeli olarak iyileştirilir.
• Tutarlılık Düzenlileştirmesi: Bu teknik veri artırmaya dayanır. Temel fikir, modelin bir görüntü ve aynı görüntünün biraz değiştirilmiş (artırılmış) sürümü için benzer tahminler üretmesi gerektiğidir. Model, özgün ve artırılmış sürüm arasındaki tahmin farkını en aza indirerek gürültü yerine nesnenin temel özelliklerine odaklanmayı öğrenir ve aşırı öğrenmeyle başa çıkma becerisini geliştirir.

YOLO ile Pratik Uygulama#

Aşağıdaki Python örneği, ultralytics paketini kullanarak basit bir sözde etiketleme iş akışını gösterir. Burada, küçük bir veri kümesi üzerinde bir YOLO26 modeli eğitiyor ve ardından bu modeli bir dizindeki etiketlenmemiş görüntüler 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 sınırlı olduğu sektörleri dönüştürüyor.

• Tıbbi Görüntüleme: Sağlık hizmetlerinde yapay zekâda taramaların (röntgenler, MR'lar) yapılması standart bir uygulamadır; ancak kurul onaylı bir radyoloğun tümör tespiti için her pikseli etiketlemesi fahiş derecede pahalıdır. SSL, araştırmacıların uzmanlar tarafından etiketlenmiş vakaların yalnızca bir bölümünü kullanarak yüksek performanslı modeller eğitmesine ve modelin biyolojik yapıları kavrayışını geliştirmek için arşivlenmiş binlerce taramadan yararlanmasına olanak tanır.
• Otonom Sürüş: Otonom araç şirketleri, araç filolarından her gün petabaytlarca video verisi toplar. Nesne tespiti ve anlamsal bölütleme için her kareyi etiketlemek imkânsızdır. Sistem, SSL sayesinde etiketlenmemiş sürüş saatlerinin büyük çoğunluğundan öğrenerek karmaşık yol ortamlarını, hava koşullarını ve nadir uç durumları daha iyi anlayabilir.

İlişkili Kavramları Ayırt Etme#

Yapay zekâ çözümlerini etkili bir şekilde kullanıma sunmak için SSL'nin benzer stratejilerden nasıl ayrıldığını anlamak çok önemlidir:

• Aktif Öğrenmeye kıyasla: Her ikisi de etiketlenmemiş verilerle ilgilense de etiketlemeye yaklaşımları farklıdır. SSL, etiketleri model tahminlerine göre otomatik olarak atar. Buna karşılık aktif öğrenme, en "kafa karıştırıcı" veya belirsiz veri noktalarını belirler ve bunları etiketlemesi için açıkça bir insan döngüsü talep eder; böylece insanı tamamen devre dışı bırakmak yerine insanın zamanını en verimli şekilde kullanır.
• Aktarım Öğrenmesine kıyasla: Aktarım öğrenmesi, büyük bir harici veri kümesi (örneğin ImageNet) üzerinde önceden eğitilmiş bir modeli alıp belirli görevin için ince ayar yapmayı içerir. SSL ise eğitim sürecinin kendisi sırasında kendi özel veri kümesi dağılımının etiketlenmemiş bölümünden yararlanmaya odaklanır.
• Kendi Kendine Denetimli Öğrenmeye kıyasla: Adları benzer olsa da kendi kendine denetimli öğrenme genellikle verilerin herhangi bir harici etiket olmadan kendi denetim sinyallerini oluşturduğu "ön görevleri" (örneğin görüntü parçalarından oluşan bir yapbozu çözmek) ifade eder. SSL ise süreci yönlendirmek için özellikle daha küçük bir doğrulanmış etiket kümesinin kullanılmasını gerektirir.

Araçlar ve Geleceğe Bakış#

Derin öğrenme (DL) modelleri büyüdükçe veri kullanımının verimliliği büyük önem kazanır. PyTorch ve TensorFlow gibi modern çerçeveler, bu gelişmiş eğitim döngüleri için hesaplama altyapısını sağlar. Ayrıca Ultralytics Platform gibi araçlar, veri kümesi yönetiminin yaşam döngüsünü basitleştirir. Ekipler, otomatik açıklama gibi özelliklerden yararlanarak yarı denetimli iş akışlarını daha kolay uygulayabilir ve ham verileri hızla üretime hazır model ağırlıklarına dönüştürebilir. MLOps alanındaki bu gelişim, yüksek doğruluklu görü sistemleri oluşturmanın önündeki giriş engelinin azalmaya devam etmesini sağlar.