Active Learning

Học chủ động là một phương pháp chiến lược trong học máy (ML), trong đó thuật toán chủ động lựa chọn những điểm dữ liệu giàu thông tin nhất để gán nhãn, thay vì thụ động tiếp nhận một dataset đã được gán nhãn trước. Trong học có giám sát truyền thống, các model thường yêu cầu một lượng dữ liệu được chú thích khổng lồ, vốn tốn kém và mất nhiều thời gian để tạo ra. Học chủ động tối ưu hóa quy trình này bằng cách xác định các ví dụ "không chắc chắn" hoặc "khó"—những ví dụ nằm gần ranh giới quyết định hoặc nơi model thiếu độ tin cậy—và yêu cầu người chú thích gán nhãn chỉ cho những trường hợp cụ thể đó. Vòng lặp lặp lại này cho phép model đạt độ chính xác cao với số lượng mẫu được gán nhãn ít hơn đáng kể, qua đó đạt hiệu quả cao trong các dự án có ngân sách hoặc thời hạn hạn chế.

Cách thức hoạt động của chu trình học chủ động#

Cốt lõi của học chủ động là một vòng lặp phản hồi thường được gọi là human-in-the-loop. Thay vì chỉ huấn luyện một lần trên dataset tĩnh, model tiến hóa qua các chu kỳ truy vấn và cập nhật.

1. Khởi tạo: Quy trình bắt đầu với một tập nhỏ dữ liệu huấn luyện đã được gán nhãn, dùng để huấn luyện model ban đầu, chẳng hạn như Ultralytics YOLO26.

2. Lựa chọn truy vấn: Model đánh giá một tập dữ liệu lớn chưa được gán nhãn. Sử dụng chiến lược truy vấn—phổ biến nhất là lấy mẫu theo độ không chắc chắn—model chọn các hình ảnh hoặc văn bản mà dự đoán của mình có độ tin cậy thấp nhất.

3. Chú thích: Các mẫu có mức độ ưu tiên cao này được gửi đến một chuyên gia, thường được gọi là "oracle" trong tài liệu về học chủ động, để gán nhãn dữ liệu.

4. Huấn luyện lại: Dữ liệu mới được gán nhãn được thêm vào tập huấn luyện và model được huấn luyện lại. Model đã cập nhật này sẽ được trang bị tốt hơn để lựa chọn batch tiếp theo gồm các mẫu gây nhầm lẫn.

Các ứng dụng trong thực tế#

Học chủ động là không thể thiếu trong các ngành có nguồn dữ liệu dồi dào nhưng việc gán nhãn đòi hỏi kiến thức chuyên môn hoặc chi phí cao.

• Phân tích hình ảnh y khoa: Trong các lĩnh vực như chẩn đoán hình ảnh, việc gán nhãn đòi hỏi các chuyên gia có chứng chỉ hành nghề, với thời gian làm việc có giá trị rất cao. Thay vì yêu cầu bác sĩ chú thích hàng nghìn ảnh chụp rõ ràng, hệ thống học chủ động có thể lọc các trường hợp không rõ ràng—chẳng hạn như khối u ở giai đoạn sớm hoặc các bất thường hiếm gặp—cho phép chuyên gia chỉ tập trung vào những hình ảnh thực sự cải thiện khả năng chẩn đoán của model.
• Xe tự hành: Xe tự lái tạo ra hàng petabyte dữ liệu video. Việc gán nhãn cho từng khung hình là bất khả thi. Học chủ động giúp kỹ sư xác định các trường hợp biên, chẳng hạn như người đi bộ mặc trang phục hóa trang hoặc lái xe trong tuyết rơi dày, những trường hợp mà các model phát hiện đối tượng tiêu chuẩn có thể bỏ sót. Bằng cách ưu tiên những tình huống hiếm gặp này, các công ty cải thiện độ an toàn mà không lãng phí tài nguyên vào các cảnh quay đường cao tốc lặp lại.

Ví dụ Python: Lọc các dự đoán không chắc chắn#

Ví dụ sau minh họa logic đơn giản về "lấy mẫu theo độ không chắc chắn" bằng Ultralytics YOLO26. Chúng ta tải một model, chạy suy luận trên các hình ảnh và đánh dấu những hình ảnh có điểm độ tin cậy thấp hơn một ngưỡng nhất định để xem xét thủ công.

from ultralytics import YOLO

# Load the latest YOLO26 model
model = YOLO("yolo26n.pt")

# List of unlabeled image paths
unlabeled_images = ["https://ultralytics.com/images/bus.jpg", "https://ultralytics.com/images/zidane.jpg"]

# Run inference
results = model(unlabeled_images)

# Identify samples with low confidence for active learning
uncertain_threshold = 0.6
for result in results:
    # Check if any detection confidence is below the threshold
    if result.boxes.conf.numel() > 0 and result.boxes.conf.min() < uncertain_threshold:
        print(f"Active Learning Query: {result.path} needs human labeling.")

Phân biệt các khái niệm liên quan#

Điều quan trọng là phân biệt học chủ động với các mô hình huấn luyện tương tự:

• Học bán giám sát: Mặc dù cả hai phương pháp đều sử dụng dữ liệu chưa được gán nhãn, học bán giám sát tự động gán nhãn giả cho dữ liệu dựa trên các dự đoán có độ tin cậy cao của model. Ngược lại, học chủ động yêu cầu rõ ràng ý kiến của con người đối với các dự đoán có độ tin cậy thấp.
• Học chuyển giao: Phương pháp này sử dụng một model đã được huấn luyện trước (chẳng hạn model được huấn luyện trên ImageNet) và điều chỉnh model đó cho một tác vụ mới. Học chủ động tập trung vào việc nên gán nhãn dữ liệu nào, trong khi học chuyển giao tập trung vào việc tái sử dụng các đặc trưng đã học.
• Học tăng cường: Trong phương pháp này, một tác tử học bằng cách tương tác với môi trường và nhận phần thưởng. Học chủ động khác ở chỗ nó tìm kiếm các nhãn ground truth tĩnh từ một oracle, thay vì tối ưu hóa một chuỗi hành động để đạt phần thưởng.

Tích hợp với MLOps#

Việc triển khai học chủ động hiệu quả đòi hỏi một pipeline Vận hành học máy (MLOps) mạnh mẽ. Bạn cần hạ tầng để quản lý việc lập phiên bản dữ liệu, kích hoạt các job huấn luyện lại và cung cấp giao diện chú thích cho con người. Các công cụ tích hợp với hệ sinh thái Ultralytics cho phép người dùng chuyển đổi liền mạch giữa suy luận, tuyển chọn dữ liệu và huấn luyện. Ví dụ, việc sử dụng các script huấn luyện tùy chỉnh cho phép developer nhanh chóng đưa các batch dữ liệu học chủ động mới vào các model YOLO của họ.

Để tìm hiểu thêm về các chiến lược lấy mẫu, các nhà nghiên cứu thường tham khảo các bài tổng quan toàn diện trong tài liệu về học chủ động. Ngoài ra, việc hiểu rõ các metric đánh giá model là rất quan trọng để xác minh rằng vòng lặp học chủ động thực sự cải thiện hiệu năng.