Continual Learning

持续学习 (CL)，通常也称为终身学习，指人工智能模型随时间依次学习新任务或获取新知识，同时不遗忘之前所学信息的能力。传统机器学习流水线会在静态数据集上训练模型一次，然后将模型部署出去；而持续学习则模拟人类不断适应新环境、从新经历中学习的能力。该领域面临的主要挑战是克服灾难性遗忘：在新数据上训练神经网络会覆盖为旧任务优化的权重，导致模型在旧任务上的性能大幅下降。

持续学习为何重要#

在动态的真实世界环境中，数据分布很少保持静态。例如，自动驾驶汽车上的视觉感知系统必须适应季节变化、新的交通法规或不同的城市布局，同时仍能识别初始训练中学到的基本路标。在累积数据集上从头重新训练通常计算开销很大，也不切实际，因为它会受到存储限制或隐私顾虑的影响。持续学习通过允许模型增量更新来应对这些问题，从而让模型更适合资源有限的边缘 AI 应用，并提升效率和可扩展性。

实际应用#

• 机器人与自主系统：部署在非结构化环境中的机器人需要操控新物体或在新地形中导航。通过持续学习，机器人可以掌握特定的制造任务，之后再学习处理不同的产品线，而无需完全重置系统，从而有效支持灵活的工业 4.0 创新流水线。
• 医学影像诊断：新疾病的出现或成像方案的变化会推动医疗数据不断演变。辅助放射科医生的 AI 系统可以通过持续学习纳入新的病理情况，例如 X 光片中出现的新型病毒毒株，同时仍能准确检测肺炎或骨折等常见病症。这项能力对于在不影响既定流程下患者安全的前提下，保持医疗诊断与时俱进至关重要。

持续学习的关键策略#

为了缓解灾难性遗忘，研究人员采用了多种策略。正则化方法会在损失函数中增加约束，防止此前任务中已确定的重要权重发生显著变化。回放方法会保存一小部分旧数据（或使用生成式 AI生成合成样本），并在训练期间将其与新数据混合。最后，参数隔离会将模型参数的特定子集分配给不同任务，确保新任务的更新不会干扰为先前任务优化的参数。2024 年和 2025 年的最新进展重点在于使用视觉语言模型更好地区分通用特征和任务专属特征。

持续学习与迁移学习的对比#

区分持续学习与迁移学习很重要。在迁移学习中，预训练模型作为解决某个新特定任务的起点，而模型在原任务上的表现通常无关紧要。其目标是尽可能提升模型在目标域上的性能。相比之下，持续学习的目标是让模型在新任务和所有旧任务上都表现良好。同样，主动学习专注于挑选信息量最大的训练标注数据点，而持续学习关注的是随时间推移更新模型的过程。

更新 YOLO 模型#

真正的持续学习需要专门调整架构，但用户可以通过在新数据上微调模型，并混入一部分旧数据，来模拟这一工作流程。Ultralytics Platform简化了数据集管理和模型版本控制。下面的示例展示了如何使用 Python API 更新模型：

from ultralytics import YOLO

# 加载此前使用 'dataset_v1.yaml' 训练的模型
model = YOLO("yolo26n-v1.pt")

# 使用包含新旧样本的新数据集训练模型
# 通过“回放”旧数据，帮助缓解灾难性遗忘
results = model.train(
    data="dataset_v2_combined.yaml",
    epochs=50,
    imgsz=640,
    lr0=0.001,  # 微调时使用较低的学习率
)

挑战与未来方向#

尽管已有进展，持续学习仍是一个活跃的研究领域。要确定最佳的可塑性-稳定性困境——在学习新知识的能力（可塑性）与保留旧知识的能力（稳定性）之间取得平衡——并不容易。此外，评估这些系统需要可靠的性能指标，同时考虑前向迁移（新任务的学习速度）和反向迁移（对旧任务的影响）。随着基础模型规模不断增大，低秩适配 (LoRA) 等高效的持续适配方法对于在不进行完整重新训练的情况下定制大规模系统变得至关重要。