主动学习加快计算机视觉开发

训练计算机视觉模型很像教孩子识别颜色。首先，你需要准备一批不同颜色的物体。然后，你要引导孩子正确识别每种颜色；这个过程往往既耗时又重复。

就像孩子需要大量示例才能学会一样，视觉模型也需要大量带标签的数据，才能识别图像中的模式和物体。然而，为海量数据添加标签需要投入大量时间和精力，更不用说资源了。主动学习等技术可以帮助简化这一过程。

主动学习是一个循序渐进的过程：从大型数据集中选出最重要的数据并为其添加标签。模型从这些带标签的数据中学习，从而变得更准确、更有效。只关注最有价值的数据，可以减少所需的标注量，并加快模型开发。

本文将介绍主动学习如何帮助训练模型、降低标注成本并提高模型的整体准确率。

图像数据集并不容易构建#

数据集是计算机视觉和深度学习模型的基础。ImageNet 等热门数据集提供了数百万张涵盖多种物体类别的图像。然而，创建和维护如此庞大的高质量数据集会带来各种挑战。

例如，收集和标注数据需要时间、资源以及熟练的标注人员，具体难度取决于应用场景。为了满足不断增长的图像数据集需求，我们需要创新且更高效的解决方案，而这正是主动学习旨在解决的问题。

主动学习通过优化数据标注流程来解决这一问题。通过策略性地选择最有信息量的数据点进行标注，主动学习可以在最大限度减少标注工作量的同时提升模型性能。

什么是主动学习？#

主动学习是一种迭代式机器学习技术，模型会从大量未标注数据中挑选最重要的数据点进行标注。这些选出的数据点由人工标注后，会被加入训练数据集。

随后，模型会基于更新后的数据集重新训练，并选出下一批需要标注的数据点。这一过程不断重复，模型通过聚焦于信息量最大的样本持续改进。循环会一直进行，直到模型达到预期准确率，或满足预先设定的标注标准。

图 1. 主动学习概览。

了解主动学习的工作原理#

你可能想知道，主动学习技术如何决定哪些数据点需要人工标注，以及接下来应该标注哪些数据点。我们可以通过将主动学习与备考进行比较，来了解主动学习的工作原理：你会重点复习自己不确定的主题，同时确保涵盖多种主题，以做好充分准备。

在初始数据选择阶段，主动学习会使用不确定性采样和基于多样性的采样等策略。不确定性采样优先选择模型预测置信度最低的数据点，旨在提升模型处理困难案例时的准确性。基于多样性的采样会选择涵盖广泛特征的数据点，让模型接触多样化样本，确保模型能够很好地泛化到未见过的数据。

图 2. 不确定性采样（左侧）和基于多样性的采样（右侧）。

完成初始数据选择后，主动学习会采用两种主要的标注方法：基于池的采样和基于流的采样。这两种方法都类似于老师帮助学生专注于最重要内容的方式。

在基于池的采样中，模型会扫描大量未标注数据，并选择最具挑战性或信息量最大的数据样本进行标注，就像学生优先复习自己觉得最难的抽认卡一样。在基于流的采样中，模型会在数据到达时进行处理，并决定是否对数据进行标注，这类似于学生只在遇到难题时才求助。在这两种情况下，标注后的数据都会加入训练集，模型也会重新训练，并在每次迭代中持续改进。

探索主动学习的应用#

主动学习在计算机视觉应用中发挥着重要作用，例如医学成像和自动驾驶；它能够提升模型准确率，并简化数据标注流程。一个有趣的例子是，自动驾驶汽车中的计算机视觉模型用于检测低光照或大雾环境中的行人和物体。主动学习可以聚焦于多样且具有挑战性的驾驶场景，从而提高检测准确率。

具体来说，主动学习可以从这类场景中识别不确定的数据或视频帧，以便有选择地进行标注。将这些已标注示例加入训练集后，模型就能更好地识别恶劣天气或夜间驾驶等困难环境中的行人和物体。

例如，NVIDIA 已在其自动驾驶模型中使用主动学习来提升夜间行人检测能力。通过有策略地选择信息量最大的训练数据，特别是在具有挑战性的场景中，模型性能得以大幅提升。

图 3. 使用主动学习检测一名撑伞的行人。

主动学习可以降低标注成本#

主动学习的另一项关键优势是有望降低标注成本。它只聚焦于最重要的数据点，而不需要为整个数据集添加标注。这种有针对性的方法可以节省时间、精力和资金。通过重点关注不确定或多样化的样本，主动学习可以在维持较高模型准确性的同时减少所需的标注数量。

事实上，研究表明，主动学习可以在不牺牲性能的情况下降低 40% 至 60% 的标注成本。这对医疗保健和制造业等数据标注成本高昂的行业尤其有帮助。通过简化标注流程，主动学习可以帮助企业更快地开发模型、更高效地部署模型，同时保持准确率。

主动学习的优势#

主动学习还能带来以下一些重要优势：

• 解决类别不平衡问题：主动学习可以通过标注少数类别的数据样本，帮助解决类别不平衡问题。这样一来，即使数据有限，模型也能更好地处理罕见场景。
• 缩短开发周期：减少数据标注量也能间接加快机器学习和计算机视觉模型的开发进程，从而腾出更多时间和资源用于后续迭代与实验。
• 适应性：主动学习可以通过反复处理不确定样本或边缘案例，持续改进训练数据，因此非常适合动态变化或不断演进的数据集。

主动学习与 AutoML 可以协同工作#

自动化机器学习 (AutoML)专注于自动化构建和部署机器学习模型时涉及的耗时、迭代性任务。它通过自动执行模型选择和性能评估等任务，简化机器学习工作流，减少对人工操作的需求。

将 AutoML 与主动学习结合后，可以加快并优化模型开发生命周期。主动学习组件会有策略地选择信息量最大的样本进行标注，而 AutoML 则通过自动选择架构、参数并进行调优来改进模型。

图 4. AutoML 工作流。

我们通过一个示例来了解这两种技术的组合。

假设你要在医学成像中检测罕见病症（这类应用场景中的带标签数据集数量有限且获取成本高昂）。主动学习可以识别并选出不确定的数据，例如模型无法分类的 X 射线图像细微变化。然后，可以优先对这些不确定数据进行人工标注，以帮助模型更好地理解数据。

借助已标注的数据，AutoML 可以通过探索各种架构、超参数和数据增强技术来优化模型。这种迭代流程可以加快可靠视觉模型的开发，例如 Ultralytics YOLO11，帮助医疗专业人员做出准确诊断。

主动学习面临的挑战#

主动学习及其技术带来了诸多优势，但在实施这些策略时，也有一些注意事项需要牢记：

• 查询策略的选择：主动学习包含多种技术，选择最佳方法会显著影响模型的效果。策略选择不当可能会降低模型在特定应用中的性能。
• 重新训练成本：主动学习的迭代特性需要耗费大量计算资源，尤其是在处理大型数据集时。每轮标注完成后都要重新训练模型，这会增加模型的复杂度。
• 初始模型质量：主动学习的效果取决于初始模型的质量。表现不佳的初始模型可能无法准确识别有价值的数据点，导致标签请求质量低下，并降低整体性能。

主动学习和 AutoML 的未来发展#

随着 AI 和计算机视觉领域的最新进展，主动学习有望应对更复杂的挑战，并简化机器学习工作流。将主动学习与联邦学习、自监督学习等技术结合起来，可以进一步提升视觉模型的效率和可扩展性。

联邦学习使模型能够通过分布式框架在多台设备或服务器上进行训练，同时无需将数据移出原始位置。在医疗保健等重视数据隐私的行业中，联邦学习可以直接使用敏感的本地数据进行训练，同时确保数据安全。它不会共享原始数据，只会共享模型更新或见解，从而在为训练过程提供数据的同时保护隐私信息。

与此同时，自监督学习通过使用未标注数据对模型进行预训练，减少对标注数据的需求。这个过程能为模型打下坚实基础。之后，主动学习可以在此基础上识别并选出最重要的数据点进行人工标注，从而进一步优化模型。

从主动学习到主动影响#

主动学习为应对计算机视觉领域的重大挑战提供了切实可行的方法，例如数据标注成本高昂，以及对更准确模型的需求。它只专注于标注最有价值的数据点，减少了人工工作量，同时提升了模型性能。

与 AutoML 等技术结合时，主动学习可以自动化耗时任务，简化模型开发流程。随着技术持续进步，主动学习有望成为构建更智能、更高效计算机视觉系统的重要工具。要了解目前支持这一循环的工具，请阅读我们对自动标注和主动学习工具的比较。

浏览我们的 GitHub 代码库，并加入我们的社区，进一步了解 AI 和计算机视觉模型。欢迎访问我们的解决方案页面，了解制造业中的计算机视觉和医疗保健领域的更多应用。你也可以查看我们的许可选项，立即开启你的视觉 AI 之旅。