Zero-Shot Learning

Sıfır Örnekli Öğrenme (ZSL), yapay zeka modellerinin eğitim aşamasında hiç karşılaşmadıkları nesneleri tanımasını, sınıflandırmasını veya tespit etmesini sağlayan bir makine öğrenmesi paradigmasıdır. Geleneksel denetimli öğrenmede, bir modelin tanımlaması gereken her bir kategori için binlerce etiketli örneğe ihtiyacı vardır. ZSL, görülen ve görülmeyen sınıflar arasındaki boşluğu doldurmak için tipik olarak metin açıklamaları, anlamsal öznitelikler veya gömme vektörleri gibi yardımcı bilgilerden yararlanarak bu katı bağımlılığı ortadan kaldırır. Bu yetenek, yapay zeka (AI) sistemlerinin çok daha esnek, ölçeklenebilir ve olası her nesne için kapsamlı veri toplamanın pratik olmadığı dinamik ortamları yönetebilir olmasını sağlar.

Link to this sectionSıfır Örnekli Öğrenme Nasıl Çalışır#

ZSL'nin temel mekanizması, ortak bir anlamsal uzay kullanarak tanıdık kavramlardan yabancı kavramlara bilgi aktarmayı içerir. Model, bir "zebra"yı sadece siyah beyaz çizgilerin piksel desenlerini ezberleyerek tanımayı öğrenmek yerine, doğal dil işleme (NLP) aracılığıyla elde edilen görsel özellikler ve anlamsal öznitelikler (örneğin "at benzeri şekil", "çizgili desen", "dört bacak") arasındaki ilişkiyi öğrenir.

Bu süreç, genellikle görüntü ve metin temsillerini hizalayan çok modlu modellere dayanır. Örneğin, OpenAI'ın CLIP çalışması gibi temel araştırmalar, modellerin görsel kavramları doğal dil denetiminden nasıl öğrenebileceğini göstermektedir. Bir ZSL modeli görülmemiş bir nesneyle karşılaştığında, görsel özellikleri çıkarır ve bunları bir anlamsal vektör sözlüğü ile karşılaştırır. Görsel özellikler yeni sınıfın anlamsal açıklamasıyla eşleşirse, model onu doğru bir şekilde sınıflandırabilir ve etkili bir şekilde "sıfır örnekli" bir tahmin gerçekleştirmiş olur. Bu yaklaşım, geniş görev yelpazelerinde genelleme yapabilen modern temel modellerin temelini oluşturur.

Link to this sectionGerçek Dünya Uygulamaları#

Sıfır Örnekli Öğrenme, sistemlerin ilk eğitim verilerinin ötesinde genelleme yapmasını sağlayarak çeşitli endüstrilerde inovasyonu tetikliyor.

1. Open-Vocabulary Object Detection: Modern architectures like YOLO-World utilize ZSL to detect objects based on user-defined text prompts. This allows for object detection in scenarios where defining a fixed list of classes beforehand is impossible, such as searching for specific items in vast video archives. Researchers at Google Research continue to push the boundaries of these open-vocabulary capabilities.

2. Tıbbi Teşhis: Sağlık hizmetlerinde yapay zekada, nadir hastalıklar için etiketli veri elde etmek genellikle zor ve pahalıdır. ZSL modelleri, yaygın durumlar ve PubMed gibi veritabanlarında bulunan tıbbi literatürdeki nadir semptom tanımları üzerinde eğitilebilir; böylece sistem, büyük bir pozitif vaka veri setine ihtiyaç duymadan tıbbi görüntülemede potansiyel nadir anomalileri işaretleyebilir.

3. Yaban Hayatı Koruma: Tarımda yapay zeka ve ekoloji için, nadiren fotoğraflanan nesli tükenmekte olan türleri tanımlamak kritiktir. ZSL, korumacıların Yaşam Ansiklopedisi gibi biyolojik veritabanlarında tanımlanan öznitelik tabanlı açıklamaları kullanarak bu hayvanları tespit etmelerini sağlar.

Link to this sectionUltralytics ile Sıfır Örnekli Tespit#

Ultralytics YOLO-World modeli, Sıfır Örnekli Öğrenmenin pratikteki bir örneğidir. Kullanıcıların modeli yeniden eğitmeden çalışma zamanında dinamik olarak özel sınıflar tanımlamasına olanak tanır. Bu, sağlam bir tespit omurgasının doğal dili anlayan bir metin kodlayıcı ile bağlanmasıyla elde edilir.

Aşağıdaki Python örneği, ultralytics paketini kullanarak standart bir eğitim setinin açıkça bir parçası olmayan nesneleri tespit etmek için YOLO-World'ün nasıl kullanılacağını göstermektedir.

from ultralytics import YOLOWorld

# Load a pre-trained YOLO-World model capable of Zero-Shot Learning
model = YOLOWorld("yolov8s-world.pt")

# Define custom classes via text prompts (e.g., specific accessories)
# The model adjusts to detect these new classes without retraining
model.set_classes(["blue backpack", "red apple", "sunglasses"])

# Run inference on an image to detect the new zero-shot classes
results = model.predict("https://ultralytics.com/images/bus.jpg")

# Display the results
results[0].show()

Link to this sectionİlgili Kavramlardan Ayrımı#

ZSL'yi tam olarak anlamak için onu bilgisayarlı görüde (CV) kullanılan benzer öğrenme stratejilerinden ayırmak yardımcı olur:

• Az Örnekli Öğrenme (FSL): ZSL hedef sınıfın hiç örneğine ihtiyaç duymazken, FSL uyum sağlaması için modele çok küçük bir destek kümesi (genellikle 1 ila 5 örnek) sunar. ZSL, tamamen görsel örneklere değil, anlamsal çıkarıma dayandığı için genellikle daha zorlu kabul edilir.
• Tek Örnekli Öğrenme: Modelin tam olarak bir etiketli örnekten öğrendiği FSL'nin bir alt kümesidir. ZSL, yeni kategorinin tek bir görseli olmadan bile çalıştığı için temelden farklıdır.
• Aktarımlı Öğrenme: Bu geniş terim, bilgiyi bir görevden diğerine aktarmayı ifade eder. ZSL, yeni veriler üzerinde geleneksel ince ayar yapılmasına gerek kalmadan, bilgiyi görülmemiş sınıflara aktarmak için anlamsal öznitelikleri kullanan özel bir aktarımlı öğrenme türüdür.

Link to this sectionZorluklar ve Gelecek Görünümü#

ZSL büyük bir potansiyel sunsa da, eğitim sırasında öğrenilen anlamsal özniteliklerin görülmemiş sınıfların görsel görünümüyle mükemmel bir şekilde eşleşmediği alan kayması sorunu gibi zorluklarla karşı karşıyadır. Ek olarak, ZSL modelleri, tahmin doğruluğunun görülen sınıflar için görülmeyenlere kıyasla önemli ölçüde daha yüksek olduğu önyargı sorunundan muzdarip olabilir.

Stanford Üniversitesi AI Laboratuvarı ve IEEE Computer Society gibi kuruluşlardan araştırmalar bu sınırlamaları ele almaya devam ediyor. Bilgisayarlı görü araçları daha sağlam hale geldikçe, ZSL'nin standart bir özellik haline gelmesi ve büyük veri etiketleme çabalarına olan bağımlılığı azaltması bekleniyor. Gelişmiş modelleri dağıtmadan önce veri setlerini verimli bir şekilde yönetmek isteyen ekipler için, Ultralytics Platform kapsamlı açıklama ve veri seti yönetimi araçları sunmaktadır.