Transfer Learning

Transfer learning, machine learning (ML) alanında belirli bir görev için geliştirilmiş bir modelin ikinci, ilgili bir görevdeki model için başlangıç noktası olarak yeniden kullanıldığı güçlü bir tekniktir. Devasa veri setleri ve önemli ölçüde hesaplama gücü gerektiren bir neural network modelini sıfırdan eğitmek yerine, geliştiriciler bir yapay zekanın halihazırda kazandığı bilgileri kullanır. Bu yaklaşımlar insanların öğrenme biçimini taklit eder; örneğin, piyano çalmayı bilmek organ öğrenmeyi çok daha kolay hale getirir çünkü müzik teorisi ve parmak becerisinin temel anlayışı aktarılır. deep learning bağlamında bu, bir modelin çok daha az veri ve süreyle yeni bir sorunda yüksek doğruluk elde edebileceği anlamına gelir.

Transfer Öğrenme Nasıl Çalışır#

Transfer öğrenmenin etkinliği, feature extraction özelliğinin hiyerarşik doğasında yatar. Derin öğrenme modelleri, özellikle bilgisayarlı görüde kullanılanlar, katmanlardaki kalıpları tanımayı öğrenir. backbone bileşeninin başlangıç katmanları kenarlar, kavisler ve dokular gibi basit, evrensel özellikleri algılar. Bu düşük seviyeli özellikler neredeyse tüm görsel görevler için geçerlidir.

Süreç tipik olarak iki ana aşamadan oluşur:

1. Ön eğitim (Pre-training): Genel görsel temsilleri öğrenmek için bir model, ImageNet gibi büyük ölçekli bir benchmark dataset üzerinde eğitilir. Bu, görsel yapıyı halihazırda anlayan bir dizi model weights ile sonuçlanır.

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

Gerçek Dünya Uygulamaları#

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

• AI in Healthcare: Her spesifik hastalık için milyonlarca etiketlenmiş tıbbi görüntü toplamak zordur. Bununla birlikte, araştırmacılar günlük nesneler üzerinde önceden eğitilmiş bir modeli alıp medical image analysis alanına uygulayabilir. Model, şekilleri ve anormallikleri tespit etme yeteneğini aktararak X-ışınlarında veya MR taramalarında tümörleri yüksek precision ile tanımlar.
• AI in Manufacturing: Endüstriyel ortamlarda, görsel denetim sistemlerinin yeni ürün gruplarına hızla uyum sağlaması gerekir. Genelleştirilmiş bir kusur tespit modeli, kesinti süresini en aza indirmek için smart manufacturing iş akışlarından yararlanarak mikroçip gibi belirli yeni bir bileşendeki kusurları fark etmek üzere hızla güncellenebilir.

Diğer Kavramlarla İlişkisi#

Transfer öğrenmeyi yakından ilişkili terimlerden ayırmak faydalıdır:

• vs. Fine-Tuning: İnce ayar (fine-tuning), transfer öğrenmeyi uygulamanın belirli bir yöntemidir. Transfer öğrenme, bilgiyi yeniden kullanmanın üst düzey kavramı iken, ince ayar, modelin bazı kısımlarının dondurmasının kaldırılması ve bunları daha düşük bir learning rate ile yeni veriler üzerinde eğitmenin mekanik sürecini ifade eder.
• vs. Zero-Shot Learning: Transfer öğrenme, yeni görev için etiketlenmiş bazı verilerle bir eğitim aşaması gerektirir. Buna karşılık, sıfır atışlı öğrenme (zero-shot learning), modelin daha önce hiç görmediği nesneleri sınıflandırmaya çalışır ve genellikle görsel örnekler yerine anlamsal açıklamalara güvenir.

Pratik Örnek#

Aşağıdaki Python kod parçacığı ultralytics kütüphanesini kullanarak transfer öğrenmeyi gösterir. COCO veri setinden türetilen önceden eğitilmiş ağırlıklarla birlikte gelen YOLO26 modelini yüklüyoruz. Yeni bir veri setinde eğitime başladığımızda, 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 verileri etiketleme ve transfer öğrenimi uygulanmış modelleri verimli bir şekilde devreye alma konusunda iş birliği yapmasına olanak tanır.

Akademik teoriye daha derinlemesine bir dalış için Stanford CS231n notes mükemmel bir genel bakış sunarken, PyTorch Transfer Learning Tutorial uygulama için kapsamlı teknik detaylar sağlar.