Unsupervised Domain Adaptation (UDA)

Denetimsiz Alan Uyarlaması (UDA), iki farklı ancak ilişkili veri dağılımı arasındaki performans farkını kapatmak için tasarlanmış uzmanlaşmış bir transfer öğrenimi alt alanıdır. Gerçek dünyadaki makine öğrenimi senaryolarında bir model genellikle yoğun biçimde açıklanmış bir "kaynak" veri kümesi üzerinde eğitilir. Ancak üretimde kullanıma alındığında model çoğunlukla farklı aydınlatma koşulları, farklı kamera sensörleri veya değişen hava durumu modelleri gibi görsel açıdan farklılık gösteren bir "hedef" alanla karşılaşır. Wikipedia'daki alan uyarlaması genel bakışında ayrıntılı olarak açıklandığı üzere UDA teknikleri, yalnızca etiketlenmemiş verileri kullanarak önceden eğitilmiş bir modeli bu yeni hedef alana uyarlamayı amaçlar ve böylece büyük ölçekli yeniden etiketleme maliyetlerine katlanmadan veri kaymasının neden olduğu performans düşüşlerini etkili biçimde azaltır.

UDA'yı İlişkili Kavramlardan Ayırma#

UDA'yı anlamak, onu benzer bilgisayarlı görü eğitim paradigmalarından ayırmayı gerektirir. PyTorch eğitimlerinde ele alınan temel transfer öğrenimi ilkeleri bilgiyi genel olarak bir görevden diğerine aktarırken UDA, hedef alanın hiçbir gerçek etiket içermediği senaryoları özel olarak ele alır. Buna karşılık yarı denetimli öğrenme, hedef veri kümesinin küçük bir bölümünün etiketli olduğunu varsayar. Tamamen etiketlenmemiş hedef verilerine dayandığı için UDA, manuel veri etiketlemenin imkânsız veya aşırı maliyetli olduğu yeni ortamlara modelleri ölçeklendirmek açısından kritik öneme sahiptir.

Alan Uyarlamasının Gerçek Dünya Uygulamaları#

Görsel alanlar arasında genelleme yapabilme yeteneği, modern yapay zekâ sistemleri için kritik öneme sahiptir. Öne çıkan iki örnek şunlardır:

• Simülasyondan Gerçeğe Otonom Sürüş: Otonom araçlar için model eğitimi, CARLA otonom sürüş simülatörü gibi fizik motorları tarafından üretilen sentetik verilere büyük ölçüde dayanır. UDA algoritmaları, özellik çıkarma dağılımlarını hizalayarak sentetik yollar üzerinde eğitilmiş bir modelin gerçek dünyadaki fiziksel yollarda güvenli ve doğru biçimde ilerlemesini sağlar.
• Kurumlar Arası Tıbbi Görüntüleme: Tıbbi görüntü analizi alanında, bir hastanede eğitilen MRI modeli çoğu zaman farklı bir tesise ait donanımlardan alınan taramaları işlerken performans kaybeder. Araştırmacılar, etiketli tanı kayıtlarının paylaşılmasını gerektirmeden ve hasta mahremiyetini tehlikeye atmadan UDA'nın bu farklı görüntüleme profillerini nasıl normalleştirdiğini gösteren yöntemleri IEEE makine öğrenimi dergilerinde sıklıkla yayımlar.

Pratik Uygulama Stratejileri#

Google DeepMind'ın sağlam model genellemesi üzerine çalışmaları ve OpenAI'ın sinirsel sağlamlık araştırmaları gibi kuruluşların çalışmaları da dâhil olmak üzere modern yapay zekâ araştırmaları, UDA için çeşitli teknikleri vurgular. Örneğin çekişmeli eğitim, bir ağı kaynak ve hedef alanlar arasında ayırt edilemeyen özellikleri çıkaracak şekilde eğitir. Alternatif olarak mühendisler, yüksek güven düzeyine sahip bir nesne algılama modelinin sürekli ince ayarı kolaylaştırmak üzere hedef veri kümesi üzerinde geçici etiketler ürettiği sözde etiketleme yöntemini sıklıkla kullanır.

Büyük kaynak ve hedef veri kümelerini yönetirken Ultralytics Platform, etiketlenmemiş görüntüleri düzenlemek, görselleştirmek ve otomatik olarak etiketlemek için sorunsuz bir bulut ortamı sunar. Uçta optimize edilmiş çıkarım işlem hatları geliştiren geliştiriciler için Ultralytics YOLO26, sağlam özellik temsilleri, yüksek doğruluğu ve yerleşik uçtan uca verimliliği sayesinde önerilen mimaridir.

from ultralytics import YOLO

# Load an Ultralytics YOLO26 model previously trained on a labeled source domain
model = YOLO("yolo26n.pt")

# Perform inference on the unlabeled target domain to generate pseudo-labels
# The save_txt=True argument exports confident predictions as new labels for UDA
results = model.predict(source="path/to/target_domain", conf=0.85, save_txt=True)

# These high-confidence pseudo-labels can now be used to fine-tune the model

Yapay zekâ ekipleri, en yeni arXiv bilgisayarlı görü yayınlarını sürekli olarak inceleyerek ve verimli çerçeveler kullanarak, sürekli değişen gerçek dünya koşullarında modellerinin doğruluğunu korumak için UDA'yı başarıyla kullanıma sunabilir. Girdi işlem hatlarını alan kaymasını önleyecek şekilde optimize etme konusunda daha fazla rehberlik için TensorFlow veri artırma belgelerini inceleyebilir veya Stanford AI Lab tarafından yayımlanan gelişmiş mimarileri ve MIT CSAIL araştırma ekiplerinin çalışmalarını keşfedebilirsin.