Transfer Öğrenimi

Transfer öğrenimi, bir görev için geliştirilen bir modelin, ikinci, ilgili bir görevdeki bir model için başlangıç noktası olarak yeniden kullanıldığı bir makine öğrenimi (ML) tekniğidir. Çok miktarda veri ve işlem kaynakları gerektiren bir modeli sıfırdan oluşturmak yerine, transfer öğrenimi, bir kaynak görevden öğrenilen bilgi birikiminden (özellikler, ağırlıklar ve desenler gibi) yararlanır. Bu yaklaşım son derece verimlidir ve özellikle bilgisayarlı görüde (CV) olmak üzere modern derin öğrenmenin temel taşı haline gelmiştir. Geliştiriciler, önceden eğitilmiş bir modeli kullanarak, önemli ölçüde daha az veri ve daha kısa eğitim süreleriyle daha yüksek performans elde edebilirler.

Transfer Öğrenimi Nasıl Çalışır

Transfer öğreniminin ardındaki temel fikir, görüntü sınıflandırması için ImageNet gibi geniş ve genel bir veri kümesi üzerinde eğitilmiş bir modelin, kenarlar, dokular ve şekiller gibi evrensel özellikleri tanımayı zaten öğrenmiş olmasıdır. Bu temel bilgi, genellikle omurga olarak adlandırılan modelin ilk katmanlarında saklanır.

Bu süreç genellikle iki ana adımdan oluşur:

1. Önceden Eğitilmiş Bir Model ile Başlayın: Daha önce büyük bir kıyaslama veri kümesi üzerinde eğitilmiş bir model seçilir. Örneğin, çoğu Ultralytics YOLO modeli, COCO veri kümesi üzerinde önceden eğitilmiş ağırlıklarla birlikte gelir. Bu modeller zaten genel nesne özelliklerine dair sağlam bir anlayışa sahiptir.
2. İnce Ayar: Önceden eğitilmiş model daha sonra yeni, belirli bir göreve uyarlanır. İnce ayar olarak bilinen bu uyarlama, modelin daha küçük, göreve özgü bir veri kümesi üzerinde daha fazla eğitilmesini içerir. Bu aşamada, önceden öğrenilmiş değerli özellikleri kaybetmeden modelin ağırlıklarında küçük ayarlamalar yapmak için öğrenme oranı tipik olarak düşük tutulur. Ayrıntılı bir kılavuz için, transfer öğrenimi üzerine PyTorch eğitimine başvurabilirsiniz.

Gerçek Dünya Uygulamaları

Transfer öğrenimi sadece teorik bir kavram değildir; birçok sektörde pratik uygulamaları vardır.

• Tıbbi Görüntü Analizi: Bir model, genel ImageNet veri kümesi üzerinde önceden eğitilebilir ve daha sonra MR taramalarından beyin tümörleri gibi belirli anormallikleri tespit etmek için ince ayar yapılabilir. Etiketli tıbbi verileri elde etmek genellikle kıt ve pahalı olduğundan, transfer öğrenimi milyonlarca tıbbi görüntüye ihtiyaç duymadan doğru tanı araçlarının oluşturulmasını sağlar. Bu konuda daha fazla bilgi için, yapay zekanın radyolojide nasıl yeni bir hassasiyet çağı yarattığını görün.
• Otonom Araçlar: Bir nesne algılama modeli, büyük bir yol görüntüsü veri kümesi üzerinde önceden eğitilebilir ve daha sonra belirli araç modellerini tanımak veya belirli hava koşullarında çalışmak üzere belirli bir otomobil üreticisi tarafından ince ayar yapılabilir. Bu, otomobiller, yayalar ve işaretler hakkındaki mevcut bilgileri kullanarak geliştirmeyi hızlandırır ve güvenliği artırır.

Transfer Öğrenimi ve İlgili Kavramlar

Transfer öğrenmeyi (transfer learning) diğer makine öğrenimi tekniklerinden ayırmak önemlidir:

• Temel Modeller (Foundation Models): Bunlar, çeşitli alt görevlere uyarlanmak üzere özel olarak tasarlanmış, büyük miktarda veri üzerinde önceden eğitilmiş büyük ölçekli modellerdir. Transfer öğrenimi, bu temel modelleri uyarlama sürecidir.
• Sıfır Atışlı Öğrenme: Bu teknik, bir modelin eğitim sırasında görmediği sınıfları tanımasını sağlar. Transfer öğrenimi bir modeli bazı yeni verilerle yeni bir göreve uyarlarken, sıfır atışlı öğrenme yeni sınıfların hiçbir örneği olmadan genelleme yapmayı amaçlar. Az Atışlı, Sıfır Atışlı ve Transfer Öğrenimi kılavuzumuz bu farklılıkları daha ayrıntılı olarak açıklamaktadır.
• Bilgi Damıtımı (Knowledge Distillation): Bu, verimlilik elde etmek için daha küçük bir "öğrenci" modelini, daha büyük bir "öğretmen" modelinin davranışını taklit edecek şekilde eğitmeyi içerir. Transfer öğrenimi, bilgiyi bir görevden diğerine uyarlamaya odaklanırken, damıtma aynı görev içindeki bilgiyi sıkıştırmaya odaklanır.

Araçlar ve Çerçeveler

Transfer öğrenimini uygulamak, çeşitli araçlar ve platformlar aracılığıyla erişilebilir hale getirilmiştir. PyTorch ve TensorFlow gibi framework'ler kapsamlı dokümantasyon ve önceden eğitilmiş modeller sağlar. Ultralytics HUB gibi platformlar tüm iş akışını kolaylaştırarak kullanıcıların YOLOv8 ve YOLO11 gibi önceden eğitilmiş modelleri kolayca yüklemesine, yeni veri kümeleri üzerinde özel eğitim gerçekleştirmesine ve model dağıtımını yönetmesine olanak tanır. Daha derin bir teorik anlayış için, Stanford CS231n'in transfer öğrenimi üzerine genel bakışı gibi kaynaklar paha biçilmezdir.