了解小样本、零样本与迁移学习
探索计算机视觉中小样本学习、零样本学习和迁移学习之间的差异，以及这些范式如何影响 AI 模型训练。
人工智能（AI）系统可以在极少人工输入的情况下处理复杂任务，例如识别人脸、对图像进行分类和驾驶汽车。它们通过研究数据、识别模式，并利用这些模式进行预测或决策来完成这些任务。随着 AI 的发展，我们正在见证 AI 模型以越来越复杂的方式学习、适应并高效执行任务。
例如，计算机视觉是 AI 的一个分支，专注于让机器解读和理解来自现实世界的视觉信息。传统的计算机视觉模型开发高度依赖大型、经过标注的数据集进行训练。收集和标注此类数据可能耗时且成本高昂。
为应对这些挑战，研究人员提出了小样本学习（FSL）、零样本学习（ZSL）和迁移学习（TL）等创新方法。小样本学习从有限示例中学习；零样本学习识别未见过的对象；迁移学习则将预训练模型中的知识应用于新任务。
在本文中，我们将探讨这些学习范式的工作方式，重点介绍它们的主要差异，并了解它们在现实世界中的应用。让我们开始吧！
学习范式概览#
让我们结合计算机视觉，了解小样本学习、零样本学习和迁移学习是什么，以及它们的工作方式。
小样本学习#
小样本学习是一种让系统仅使用少量示例来学习识别新对象的方法。例如，如果你向模型展示几张企鹅、鹈鹕和海鹦的图片（这个小集合称为“支持集”），它就能学会这些鸟类的外观。
之后，如果你向模型展示一张新图片，例如一只企鹅，它会将这张新图片与支持集中的图片进行比较，并选出最相似的匹配项。当收集大量数据很困难时，这种方法非常有用，因为系统仅凭少量示例也能学习和适应。
图 1。小样本学习工作方式概览。
零样本学习#
零样本学习让机器无需相关示例，就能识别以前从未见过的事物。它利用描述等语义信息来帮助建立联系。
例如，如果机器通过理解“小而蓬松”“大型野生猫科动物”或“长脸”等特征，学习了猫、狮子和马等动物的相关知识，那么它就能利用这些知识识别一种新动物，例如老虎。即使它以前从未见过老虎，也可以利用“带有深色条纹、类似狮子的动物”这样的描述来正确识别它。这让机器无需大量示例就能更轻松地学习和适应。
图 2。零样本学习利用描述识别新对象。
迁移学习#
迁移学习是一种学习范式，模型利用从一个任务中学到的知识来帮助解决相似的新任务。这项技术对于计算机视觉任务尤其有用，例如目标检测、图像分类和模式识别。
例如，在计算机视觉中，预训练模型可以识别动物等一般对象，然后通过迁移学习进行微调，以识别特定对象，例如不同的犬种。通过复用早期任务中的知识，迁移学习可以更轻松地使用较小的数据集训练计算机视觉模型，从而节省时间和精力。
图 3。迁移学习工作方式概览。
你可能想知道哪些模型支持迁移学习。Ultralytics YOLO11就是一个很好的计算机视觉模型示例。它是一种先进的目标检测模型，首先在大型通用数据集上进行预训练。之后，它可以在较小的专业数据集上进行微调和自定义训练，以完成特定任务。
学习范式对比#
现在我们已经介绍了小样本学习、零样本学习和迁移学习，接下来对比它们，看看它们有何不同。
图 4。小样本学习、零样本学习和迁移学习的主要差异。图片由作者提供。
当你只有少量带标注数据时，小样本学习非常有用。它让 AI 模型能够仅从几个示例中学习。另一方面，零样本学习不需要任何带标注数据，而是利用描述或上下文来帮助系统处理新任务。同时，迁移学习采用不同的方法，利用预训练模型中的知识，让模型凭借极少的额外数据快速适应新任务。每种方法的优势都取决于你处理的数据类型和任务。
各种学习范式在现实世界中的应用#
这些学习范式已经在许多行业产生了影响，通过创新解决方案解决复杂问题。让我们仔细看看它们如何应用于现实世界。
利用小样本学习诊断罕见疾病#
小样本学习正在改变医疗行业，尤其是在医学影像领域。它可以帮助医生仅使用少量示例甚至描述来诊断罕见疾病，而不需要大量数据。当数据有限时，这一点尤其有用；对于罕见疾病来说，收集大型数据集通常十分困难。
例如，SHEPHERD利用小样本学习和生物医学知识图谱来诊断罕见遗传疾病。它将患者信息（如症状和检测结果）映射到已知基因和疾病构成的网络中。这有助于确定可能的遗传原因并找到相似病例，即使数据有限也能做到。
图 5。 SHEPHERD 模型利用最少数据诊断罕见疾病。
利用零样本学习改进植物病害检测#
在农业领域，快速识别植物病害至关重要，因为检测延迟可能导致作物大范围受损、产量下降和严重的经济损失。传统方法通常依赖大型数据集和专业知识，而这些资源并不总是容易获得，尤其是在偏远地区或资源有限的地区。这正是零样本学习等 AI 技术进步发挥作用的地方。
假设一位农民正在种植番茄和马铃薯，并注意到叶片变黄或出现褐斑等症状。零样本学习无需大型数据集，就能帮助识别晚疫病等疾病。通过利用症状描述，模型可以对以前未见过的疾病进行分类。这种方法快速、可扩展，还能让农民检测多种植物问题。它可以帮助农民更高效地监测作物健康状况、及时采取行动并减少损失。
图 6。利用零样本学习识别植物病害。
自动驾驶汽车与迁移学习#
自动驾驶汽车通常需要适应不同环境，才能安全导航。迁移学习可以帮助它们利用已有知识快速适应新条件，而无需从头开始训练。结合能够帮助车辆解读视觉信息的计算机视觉，这些技术可以实现跨不同地形和天气条件的更顺畅导航，让自动驾驶更加高效可靠。
一个实际应用的良好示例是使用 Ultralytics YOLO11 监控停车位的停车管理系统。YOLO11 是一个预训练的目标检测模型，可以通过迁移学习进行微调，从而实时识别空闲和已占用的停车位。通过使用较小的停车场图像数据集训练模型，它可以准确检测空闲车位、已停满的车位，甚至是预留区域。
图 7。使用 Ultralytics YOLO11 进行停车管理。
该系统与其他技术集成后，可以引导驾驶员前往最近的可用车位，帮助减少寻找时间和交通拥堵。迁移学习基于 Ultralytics YOLO11 现有的目标检测能力实现了这一点，使其无需从头开始训练，就能适应停车管理的具体需求。这种方法节省了时间和资源，同时打造出高效且可扩展的解决方案，改善停车运营并提升整体用户体验。
学习范式的新兴趋势#
计算机视觉学习范式的未来正朝着开发更智能、更可持续的视觉 AI 系统发展。尤其值得关注的趋势之一，是使用结合小样本学习、零样本学习和迁移学习的混合方法。通过融合这些方法的优势，模型可以利用最少的数据学习新任务，并将知识应用于不同领域。
一个有趣的示例是使用经过适配的深度嵌入，利用先前任务中的知识和少量新数据对模型进行微调，从而更轻松地处理有限的数据集。
同样，X-shot learning旨在处理数据量不同的任务。它采用弱监督机制，让模型从有限或含噪标签中学习，并结合清晰的指令帮助模型快速适应，即使没有或只有很少的先前示例也能做到。这些混合方法展示了整合不同学习方法如何帮助 AI 系统更有效地应对挑战。
要点总结#
小样本学习、零样本学习和迁移学习分别应对计算机视觉中的特定挑战，因此适用于不同任务。正确的方法取决于具体应用以及可用数据量。例如，小样本学习适用于数据有限的场景，而零样本学习非常适合处理未见过或不熟悉的类别。
展望未来，将这些方法结合起来，创建融合视觉、语言和音频的混合模型，可能会成为重点方向。这些进步旨在让 AI 系统更加灵活、高效，并具备解决复杂问题的能力，为该领域的创新开辟新的可能性。
加入我们的社区并查看我们的 GitHub 代码库，进一步了解 AI。了解自动驾驶汽车中的 AI和农业中的计算机视觉如何重塑未来。查看可用的YOLO 许可证选项，立即开始使用！
