Transfer Learning

Transfer öğrenme, belirli bir görev için geliştirilmiş bir modelin ikinci, ilişkili bir görevde başlangıç noktası olarak yeniden kullanıldığı, makine öğrenmesi (ML) alanında güçlü bir tekniktir. Dev veri setleri ve ciddi bir hesaplama gücü gerektiren bir sinir ağını sıfırdan eğitmek yerine, geliştiriciler bir yapay zekanın hâlihazırda edindiği bilgiden yararlanırlar. Bu yaklaşım, insanların öğrenme şeklini taklit eder; örneğin, piyano çalmayı bilmek, müzik teorisi ve parmak becerisine dair temel anlayış aktarıldığı için org öğrenmeyi çok daha kolay hale getirir. Derin öğrenme bağlamında bu, bir modelin yeni bir problemde önemli ölçüde daha az veri ve zamanla yüksek doğruluk elde edebileceği anlamına gelir.

Link to this sectionTransfer Öğrenme Nasıl Çalışır#

Transfer öğrenmenin etkinliği, öznitelik çıkarımının hiyerarşik doğasında yatar. Derin öğrenme modelleri, özellikle bilgisayarlı görüde kullanılanlar, katmanlar halinde kalıpları tanımayı öğrenirler. Backbone yapısının ilk katmanları, kenarlar, eğriler ve dokular gibi basit, evrensel özellikleri algılar. Bu düşük seviyeli özellikler neredeyse her türlü görsel görev için uygulanabilir niteliktedir.

Süreç tipik olarak iki ana aşamadan oluşur:

1. Pre-training: A model is trained on a large-scale benchmark dataset, such as ImageNet, to learn general visual representations. This results in a set of model weights that already understand visual structure.

2. Adaptasyon: Önceden eğitilmiş model daha sonra belirli bir niş göreve uyarlanır. Bu genellikle erken katmanların "dondurulması" (ağırlıklarının sabit tutulması) ve sadece son katmanların veya tespit başlığının, daha küçük ve özel bir veri setinde yeniden eğitilmesiyle yapılır.

Link to this sectionGerçek Dünya Uygulamaları#

Transfer öğrenme, dev teknoloji şirketlerinin kaynakları olmadan özelleşmiş çözümlerin oluşturulmasına olanak tanıyarak yapay zekayı demokratikleştirmiştir.

• Sağlıkta Yapay Zeka: Her spesifik hastalık için milyonlarca açıklamalı tıbbi görüntü toplamak zordur. Ancak araştırmacılar, günlük nesneler üzerinde önceden eğitilmiş bir modeli alıp tıbbi görüntü analizine uygulayabilirler. Model, şekilleri ve anomalileri tespit etme yeteneğini aktararak X-ışını veya MRI taramalarındaki tümörleri yüksek hassasiyetle tanımlar.
• Üretimde Yapay Zeka: Endüstriyel ortamlarda, görsel denetim sistemleri yeni ürün hatlarına hızla uyum sağlamalıdır. Genel bir kusur tespit modeli, mikroçip gibi belirli yeni bir bileşendeki hataları tespit etmek için akıllı üretim iş akışlarından yararlanılarak ve duruş süresini en aza indirerek hızla güncellenebilir.

Link to this sectionDiğer Kavramlarla İlişkisi#

Transfer öğrenmeyi yakından ilişkili terimlerden ayırmak faydalıdır:

• vs. İnce Ayar (Fine-Tuning): İnce ayar, transfer öğrenmeyi uygulamanın belirli bir yöntemidir. Transfer öğrenme bilginin yeniden kullanılmasına dair kapsayıcı kavramken, ince ayar, modelin bölümlerinin dondurulmasının kaldırılması ve daha düşük bir öğrenme oranı ile yeni veriler üzerinde eğitilmesi şeklindeki mekanik süreci ifade eder.
• vs. Sıfır Örnekli Öğrenme (Zero-Shot Learning): Transfer öğrenme, yeni görev için bazı etiketli verilerle bir eğitim aşaması gerektirir. Buna karşılık, sıfır örnekli öğrenme, modelin daha önce hiç görmediği nesneleri sınıflandırmaya çalışır ve genellikle görsel örnekler yerine anlamsal tanımlamalara güvenir.

Link to this sectionPratik Örnek#

Aşağıdaki Python kod parçacığı, ultralytics kütüphanesini kullanarak transfer öğrenmeyi göstermektedir. COCO veri setinden elde edilen önceden eğitilmiş ağırlıklarla gelen YOLO26 modelini yüklüyoruz. Yeni bir veri setinde eğitimi başlattığımızda, model önceden öğrendiği özellikleri otomatik olarak yeni göreve aktarır.

from ultralytics import YOLO

# Load a pre-trained YOLO26 model (transferring weights from COCO)
model = YOLO("yolo26n.pt")

# Train the model on a new, smaller dataset to adapt its knowledge
# This leverages the pre-learned backbone for faster convergence
results = model.train(data="coco8.yaml", epochs=5)

Veri setlerini yönetmek ve bu eğitim çalıştırmalarını bulutta yürütmek için, Ultralytics Platform gibi araçlar süreci kolaylaştırarak ekiplerin veri etiketleme ve transfer öğrenme modellerini verimli bir şekilde dağıtma konularında iş birliği yapmalarına olanak tanır.

Akademik teoriye daha derin bir bakış için, Stanford CS231n notları mükemmel bir genel bakış sunarken, PyTorch Transfer Öğrenme Eğitimi uygulama için kapsamlı teknik detaylar sağlar.