Transfer Öğrenimi

Transfer öğrenmesi, bir görev için geliştirilen bir modelin başlangıç noktası olarak yeniden kullanıldığı bir makine öğrenmesi tekniğidir ikinci, ilgili bir görevdeki bir model için. Bir modeli sıfırdan eğitmek yerine, ki bu da büyük miktarda eğitim verileri ve hesaplama kaynakları, transfer öğrenme, bir kaynak görevden öğrenilen özellik haritaları, ağırlıklar ve örüntüler gibi bilgilerden yararlanır. Bu yaklaşım modern derin öğrenmenin temel taşlarından biridir, özellikle bilgisayarla görme (CV) alanında geliştiriciler önemli ölçüde yüksek doğruluk elde etmek için daha az veri ve daha kısa eğitim süreleri.

Transfer Öğrenimi Nasıl Çalışır

Süreç, aşağıdakilerin yeteneğine dayanır hiyerarşik özellik öğrenmek için sinir ağları temsiller. Bir modelin ilk katmanlarında, genellikle backboneağ evrensel görsel özellikleri öğrenir kenarlar, dokular ve şekiller gibi. Bu özellikler neredeyse tüm görsel görevler için geçerlidir.

Transfer öğrenimi tipik olarak iki ana aşamadan oluşur:

1. Ön eğitim: Bir model büyük bir kütle üzerinde eğitilir gibi kıyaslama veri kümeleri ImageNet (sınıflandırma için) veya COCO (tespit için). Elde edilen sonuç Önceden eğitilmiş model, genel görsel yapılar hakkında sağlam bir anlayışa sahiptir.
2. İnce ayar: Önceden eğitilmiş model yeni, özel bir göreve uyarlanır. Sırasında ince ayar, model daha küçük bir model üzerinde eğitilir, göreve özgü veri kümesi. Genellikle, ilk katmanların ağırlıkları "dondurulur" (statik tutulur) ve böylece öğrenilen özellikler, sadece son katmanlar (son algılama kafası veya sınıflandırıcı) güncellenir.

Daha derin bir teorik dalış için Stanford CS231n Transfer Öğrenimi ile ilgili notlar mükemmel bir kaynak.

Faydalar ve Uygunluk

Transfer öğrenimi, veri kıtlığı gibi yaygın bir zorluğun üstesinden gelir. Modeller önceden öğrenilmiş özelliklerle başlayarak küçük veri kümelerinde aşırı uyum ve çok daha hızlı yakınsama rastgele ağırlıklarla başlatılan modellere kıyasla.

• Verimlilik: Eğitim süresini aşağıdakilerden azaltır günler ya da haftalardan saatlere.
• Performans: Genellikle daha yüksek verim Hassasiyet ve Hatırlayın çünkü model "ortak" bir modelle başlar. imgelerin "duyusal" olarak anlaşılması.
• Erişilebilirlik: Kullanıcıların devasa bilgi işleme ihtiyaç duymadan güçlü yapay zeka uygulamaları oluşturmasına olanak tanır teknoloji devleri tarafından kullanılan kümeler.

Gerçek Dünya Uygulamaları

Transfer öğrenimi, çeşitli alanlarda yaygın olarak kullanılan yapay zeka çözümlerine güç verir endüstriler:

• Tıbbi Görüntü Analizi: Genel görüntüler (kediler ve köpekler gibi) üzerinde önceden eğitilmiş modeller, X-ışınları veya MRI'daki anormallikleri detect etmek için ince ayarlanır taramalar. Örneğin, araştırmacılar YOLO11 için beyin tümörlerinidetect Sınırlı etiketli tıbbi veriye sahip olmasına rağmen yüksek doğrulukla.
• Tarımda Yapay Zeka: Genel bir nesne algılama modeli belirli mahsul hastalıklarını tanımlamak veya bitki sağlığını izlemek için uyarlanmıştır. Bu, aşağıdaki hassas tarım araçlarını mümkün kılar olgun meyveleridetect veya gerçek zamanlı olarak yabani otlar.

Transfer Öğrenimi ve İlgili Kavramlar

Transfer öğrenimini benzer terimlerden ayırmak faydalı olacaktır:

• Sıfır Atışlı Öğrenmeye karşı: Transfer öğrenimi, modele ince ayar yapmak için yeni görev için bazı etiketli veriler gerektirir. Tam tersine, sıfır çekim öğrenme, modelin daha önce hiç görmediği nesneleri classify çalışır ve yalnızca anlamsal Herhangi bir eğitim örneği olmadan açıklamalar veya nitelikler.
• Bilgi Damıtmaya karşı: Bilgi damıtma, model sıkıştırmaya odaklanır, bilgiyi büyük bir "öğretmenden" aktarır modelini, verimliliği artırmak için daha küçük bir "öğrenci" modeline dönüştürür. Transfer öğrenimi alan adaptasyonuna odaklanır, Bilginin genel bir görevden özel bir göreve taşınması.

Pratik Örnek

Aşağıdakiler Python kullanarak transfer öğrenmenin nasıl uygulanacağını göstermektedir. ve ultralytics kütüphane. COCO üzerinde önceden eğitilmiş bir YOLO11 modeli yüklüyoruz ve örnek bir veri kümesi üzerinde ince ayar yapıyoruz.

from ultralytics import YOLO

# Load a pre-trained model (weights derived from the COCO dataset)
# This acts as our starting point for transfer learning
model = YOLO("yolo11n.pt")

# Fine-tune the model on a new dataset (e.g., COCO8)
# The model adapts its pre-learned features to the specific data
model.train(data="coco8.yaml", epochs=5)

# The updated model can now be used for inference on the new task
model.predict("path/to/image.jpg")

Uygulama hakkında daha fazla ayrıntı için resmi PyTorch Transfer Öğrenme Eğitimi veya TensorFlow Transfer Öğrenimi Kılavuzu.