Transfer Learning

Transfer öğrenimi, belirli bir görev için geliştirilmiş bir modelin ikinci ve ilişkili bir görevdeki model için başlangıç noktası olarak yeniden kullanıldığı makine öğreniminde (ML) güçlü bir tekniktir. Geliştiriciler, sinir ağını sıfırdan eğitmek (bu, devasa veri kümeleri ve önemli miktarda işlem gücü gerektirir) yerine, bir yapay zekânın daha önce edindiği bilgilerden yararlanır. Bu yaklaşım, insanların öğrenme biçimini taklit eder; örneğin piyano çalmayı bilmek, müzik teorisine ilişkin temel anlayış ve parmak becerisi aktarıldığı için org çalmayı öğrenmeyi çok daha kolay hâle getirir. Derin öğrenme bağlamında bu, bir modelin yeni bir problemde çok daha az veri ve zamanla yüksek doğruluk elde edebileceği anlamına gelir.

Transfer Öğrenimi Nasıl Çalışır?#

Transfer öğreniminin etkililiği, özellik çıkarma işleminin hiyerarşik yapısından kaynaklanır. Derin öğrenme modelleri, özellikle bilgisayarlı görüde kullanılanlar, katmanlar hâlinde örüntüleri tanımayı öğrenir. Omurganın ilk katmanları kenarlar, eğriler ve dokular gibi basit, evrensel özellikleri algılar. Bu düşük seviyeli özellikler neredeyse her görsel görev için kullanılabilir.

Süreç genellikle iki ana aşamadan oluşur:

1. Ön eğitim: Bir model, genel görsel temsilleri öğrenmesi için ImageNet gibi büyük ölçekli bir kıyaslama veri kümesi üzerinde eğitilir. Bunun sonucunda görsel yapıyı zaten anlayan bir model ağırlıkları kümesi elde edilir.

2. Uyarlama: Önceden eğitilmiş model daha sonra belirli bir niş göreve uyarlanır. Bu işlem genellikle erken katmanların "dondurulması" (ağırlıklarının sabit tutulması) ve yalnızca son katmanların veya tespit başlığının daha küçük, özel bir veri kümesi üzerinde yeniden eğitilmesiyle gerçekleştirilir.

Gerçek Dünya Uygulamaları#

Transfer öğrenimi, uzmanlaşmış çözümlerin Büyük Teknoloji şirketlerinin kaynakları olmadan oluşturulmasına olanak tanıyarak yapay zekâyı demokratikleştirmiştir.

• Sağlık Hizmetlerinde AI: Her bir özgül hastalık için milyonlarca açıklamalı tıbbi görüntü toplamak zordur. Ancak araştırmacılar, gündelik nesneler üzerinde önceden eğitilmiş bir modeli alıp tıbbi görüntü analizine uygulayabilir. Model, şekilleri ve anomalileri algılama becerisini aktararak röntgen veya MRI taramalarındaki tümörleri yüksek kesinlikle tespit edebilir.
• Üretimde AI: Endüstriyel ortamlarda görsel denetim sistemleri, yeni ürün hatlarına hızla uyum sağlamalıdır. Genelleştirilmiş bir kusur tespit modeli, akıllı üretim iş akışlarından yararlanarak kesinti süresini en aza indirmek üzere mikroçip gibi belirli bir yeni bileşendeki kusurları tespit edecek şekilde hızla güncellenebilir.

Diğer Kavramlarla İlişkisi#

Transfer öğrenimini yakından ilişkili terimlerden ayırt etmek yararlıdır:

• İnce Ayara kıyasla: İnce ayar, transfer öğrenimini uygulamanın belirli bir yöntemidir. Transfer öğrenimi bilgiyi yeniden kullanmaya ilişkin genel kavramken ince ayar, modelin bazı bölümlerinin kilidini açıp bunları daha düşük bir öğrenme oranıyla yeni veriler üzerinde eğitmeye yönelik mekanik süreci ifade eder.
• Sıfır Atışlı Öğrenmeye kıyasla: Transfer öğrenimi, yeni görev için bir miktar etiketlenmiş veri içeren bir eğitim aşaması gerektirir. Buna karşılık sıfır atışlı öğrenme, modelin daha önce hiç görmediği nesneleri sınıflandırmaya çalışır ve çoğu zaman görsel örnekler yerine anlamsal açıklamalara dayanır.

Uygulamalı Örnek#

Aşağıdaki Python kod parçacığı, ultralytics kitaplığını kullanarak transfer öğrenimini gösterir. Önceden eğitilmiş ve COCO veri kümesinden türetilen ağırlıklarla gelen YOLO26 modelini yüklüyoruz. Yeni bir veri kümesi üzerinde eğitimi başlattığımızda model, önceden öğrendiği özellikleri yeni göreve otomatik olarak 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 kümelerini yönetmek ve bu eğitim çalışmalarını bulutta yürütmek için Ultralytics Platform gibi araçlar süreci kolaylaştırır; ekiplerin verileri açıklamak ve transfer öğrenimi uygulanmış modelleri verimli bir şekilde dağıtmak için iş birliği yapmasına olanak tanır.

Akademik teoriye daha derinlemesine bir bakış için Stanford CS231n notları mükemmel bir genel bakış sunarken PyTorch Transfer Öğrenimi Eğitimi uygulamaya ilişkin kapsamlı teknik ayrıntılar sağlar.