Semi-Supervised Learning

Học bán giám sát (SSL) là một mô hình chiến lược trong machine learning (ML) đóng vai trò là cầu nối giữa hai phương pháp huấn luyện truyền thống. Trong khi supervised learning hoàn toàn phụ thuộc vào các tập dữ liệu được gán nhãn đầy đủ và unsupervised learning cố gắng tìm các mẫu trong dữ liệu mà không cần bất kỳ thẻ nào, SSL hoạt động bằng cách kết hợp một lượng nhỏ labeled data với một tập hợp unlabeled data lớn hơn đáng kể. Phương pháp này đặc biệt có giá trị trong các kịch bản computer vision (CV) thực tế, nơi việc thu thập dữ liệu hình ảnh thô—chẳng hạn như cảnh quay video từ camera an ninh hoặc vệ tinh—tương đối rẻ, nhưng quá trình data labeling bởi các chuyên gia con người lại tốn kém, chậm chạp và tốn nhiều công sức. Bằng cách tận dụng hiệu quả cấu trúc ẩn bên trong các ví dụ chưa gán nhãn, SSL có thể cải thiện đáng kể model accuracy và khả năng tổng quát hóa mà không đòi hỏi ngân sách chú giải cạn kiệt.

Các cơ chế cốt lõi của học bán giám sát#

Mục tiêu chính của SSL là truyền bá thông tin được tìm thấy trong tập hợp nhỏ các ví dụ có nhãn sang tập hợp không có nhãn lớn hơn. Điều này cho phép neural network học các ranh giới quyết định đi qua các vùng mật độ thấp của dữ liệu, mang lại kết quả phân loại hoặc phát hiện mạnh mẽ hơn.

Hai kỹ thuật phổ biến thúc đẩy hầu hết các quy trình làm việc bán giám sát:

• Pseudo-Labeling: Trong phương pháp này, một mô hình được huấn luyện trước trên dữ liệu có nhãn hạn chế. Sau đó, nó được sử dụng để chạy suy luận trên dữ liệu chưa gán nhãn. Các dự đoán vượt quá ngưỡng confidence cụ thể được coi là "nhãn giả" hoặc ground truth. Các dự đoán có độ tin cậy này được thêm vào training data và mô hình được huấn luyện lại, cải thiện hiệu suất của nó một cách lặp đi lặp lại.
• Consistency Regularization: Kỹ thuật này dựa vào data augmentation. Ý tưởng là một mô hình phải xuất ra các dự đoán tương tự cho một hình ảnh và một phiên bản được sửa đổi nhẹ (được tăng cường) của chính hình ảnh đó. Bằng cách giảm thiểu sự khác biệt trong các dự đoán giữa phiên bản gốc và phiên bản được tăng cường, mô hình học cách tập trung vào các tính năng cốt lõi của đối tượng thay vì nhiễu, cải thiện khả năng xử lý overfitting.

Triển khai thực tế với YOLO#

Ví dụ Python sau đây minh họa một quy trình công việc gán nhãn giả đơn giản bằng cách sử dụng gói ultralytics. Tại đây, chúng tôi huấn luyện một mô hình YOLO26 trên một tập dữ liệu nhỏ và sau đó sử dụng nó để tạo nhãn cho một thư mục hình ảnh chưa gán nhãn.

from ultralytics import YOLO

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

# Train initially on a small available labeled dataset
model.train(data="coco8.yaml", epochs=10)

# Run inference on unlabeled data to generate pseudo-labels
# Setting save_txt=True saves the detections as text files for future training
results = model.predict(source="./unlabeled_images", save_txt=True, conf=0.85)

Các ứng dụng trong thực tế#

Học bán giám sát đang thay đổi các ngành công nghiệp nơi dữ liệu dồi dào nhưng chuyên môn lại khan hiếm.

• Medical Imaging: Trong healthcare AI, việc thu thập các bản quét (X-quang, MRI) là quy trình tiêu chuẩn, nhưng việc có một bác sĩ X quang được hội đồng chứng nhận chú thích mọi pixel để tumor detection là cực kỳ đắt đỏ. SSL cho phép các nhà nghiên cứu huấn luyện các mô hình hiệu suất cao chỉ bằng một phần nhỏ các trường hợp được chuyên gia chú thích, tận dụng hàng ngàn bản quét lưu trữ để tinh chỉnh sự hiểu biết của mô hình về các cấu trúc sinh học.
• Autonomous Driving: Các công ty xe tự lái thu thập petabyte dữ liệu video hàng ngày từ các phương tiện thuộc đội xe. Việc gán nhãn cho mọi khung hình cho object detection và semantic segmentation là điều bất khả thi. Thông qua SSL, hệ thống có thể học hỏi từ phần lớn các giờ lái xe không có nhãn để hiểu rõ hơn về môi trường đường phức tạp, điều kiện thời tiết và các trường hợp ngoại lệ hiếm gặp.

Phân biệt các khái niệm liên quan#

Để triển khai các giải pháp AI hiệu quả, điều quan trọng là phải hiểu cách SSL khác biệt như thế nào so với các chiến lược tương tự:

• vs. Active Learning: Mặc dù cả hai đều xử lý dữ liệu không có nhãn, cách tiếp cận gán nhãn của chúng lại khác nhau. SSL tự động gán nhãn dựa trên các dự đoán của mô hình. Ngược lại, học chủ động xác định các điểm dữ liệu "gây nhầm lẫn" hoặc không chắc chắn nhất và yêu cầu rõ ràng một human-in-the-loop để gán nhãn cho chúng, tối ưu hóa thời gian của con người thay vì loại bỏ hoàn toàn họ.
• vs. Transfer Learning: Học chuyển giao liên quan đến việc lấy một mô hình được huấn luyện trước trên một tập dữ liệu bên ngoài lớn (như ImageNet) và tinh chỉnh nó trên tác vụ cụ thể của bạn. Tuy nhiên, SSL tập trung vào việc tận dụng phần không có nhãn trong phân phối tập dữ liệu của riêng bạn ngay trong quá trình huấn luyện.
• vs. Self-Supervised Learning: Mặc dù tên gọi tương tự nhau, học tự giám sát thường đề cập đến "các tác vụ tiền đề" (như giải một câu đố ghép hình từ các bản vá hình ảnh) trong đó dữ liệu tạo ra tín hiệu giám sát của riêng nó mà không cần bất kỳ nhãn bên ngoài nào. SSL cụ thể ngụ ý việc sử dụng một tập hợp nhỏ các nhãn đã được xác minh để hướng dẫn quá trình.

Công cụ và Triển vọng tương lai#

Khi các mô hình deep learning (DL) ngày càng lớn hơn, hiệu quả sử dụng dữ liệu trở nên tối quan trọng. Các framework hiện đại như PyTorch và TensorFlow cung cấp nền tảng tính toán cho các vòng lặp huấn luyện nâng cao này. Hơn nữa, các công cụ như Ultralytics Platform đang đơn giản hóa vòng đời quản lý tập dữ liệu. Bằng cách sử dụng các tính năng như auto-annotation, các nhóm có thể triển khai các quy trình bán giám sát dễ dàng hơn, nhanh chóng chuyển dữ liệu thô thành model weights sẵn sàng cho sản xuất. Sự tiến hóa này trong MLOps đảm bảo rằng rào cản gia nhập để tạo ra các hệ thống thị giác có độ chính xác cao tiếp tục giảm xuống.