Contrastive Learning
探索机器学习中的对比学习。了解它如何使用自监督数据为 Ultralytics YOLO26 和计算机视觉构建强大的 AI 特征。
对比学习是一种机器学习范式，通过比较相似和不相似的样本来教模型理解数据。与严重依赖人工标注数据集的传统监督学习不同，对比学习通常用于自监督学习场景。其核心思想简单而强大：模型学习在向量空间中将相关项（正样本对）的表示拉得更近，同时将不相关项（负样本对）推得更远。这一过程使算法能够从海量的未标注数据中构建稳健且具有通用性的特征，这对扩展人工智能 (AI) 系统至关重要。
Link to this section对比学习的机制#
对比学习的核心在于通过比较进行学习的概念。模型不是死记硬背某张特定图片是“猫”，而是学习到两张不同的猫的照片彼此之间比其中任何一张与狗的照片更相似。这通常通过数据增强来实现。输入图像（通常称为“锚点”）通过裁剪、翻转或色彩抖动等技术变换成两个不同的版本。这两个版本构成一个正样本对。然后，模型通过训练来最小化它们嵌入之间的距离，同时最大化它们与批次中其他随机图像（负样本）之间的距离。
这种方法有助于神经网络关注高级语义特征，而非低级像素细节。例如，无论汽车是红色还是蓝色，或者朝向左侧还是右侧，其潜在的“汽车”概念保持不变。通过忽略这些表面上的变化，模型能够更深入地理解视觉世界，这将显著造福于诸如目标检测和分类等下游任务。
Link to this section实际应用#
对比学习已成为许多前沿 AI 应用的基石，特别是在标注数据稀缺或获取成本高昂的情况下。
-
零样本图像分类： 像 CLIP (对比语言-图像预训练) 这样的模型利用对比学习在共享特征空间中对齐图像和文本。通过对数百万个图像-文本对进行训练，模型学习将视觉概念与自然语言描述关联起来。这实现了零样本学习，模型仅通过将图像与文本提示进行匹配，即可将图像分类到其在训练期间从未见过的类别中。
-
医疗影像的稳健预训练： 在医疗保健领域，获取专家标注的医学扫描图像既昂贵又耗时。研究人员利用对比学习在大量未标注的 X 射线或 MRI 扫描数据库上预训练模型。这种无监督预训练创建了一个强大的骨干网络，可以用少量标注样本进行微调，从而以高精度检测肺炎或肿瘤等疾病。该技术利用迁移学习来改进医疗保健中的 AI 诊断工具。
Link to this section区分相关概念#
区分对比学习与其他类似技术有助于理解其在机器学习 (ML) 领域中的独特作用。
- 与自编码器对比： 虽然两者都是无监督方法，但自编码器旨在逐像素重建输入数据，并将其压缩到瓶颈层中。而对比学习则不试图重建图像，而是专注于学习能够区分不同概念的判别性表示。
- 与生成对抗网络 (GANs) 对比： GANs 涉及生成器创建虚假数据，而判别器则试图检测它。对比学习侧重于表示学习而非数据生成，这使其更适用于搜索、检索和分类等任务。
- 与三元组损失 (Triplet Loss) 对比： 传统的三元组损失明确要求锚点、正样本和负样本。现代对比方法，如 SimCLR 或 MoCo，通过在批次内同时比较锚点与许多负样本来推广这一概念，通常使用像 InfoNCE 这样的特定损失函数。
Link to this section关于嵌入的实践示例#
虽然从头开始训练对比模型需要大量资源，但你可以轻松使用预训练模型来提取特征。以下示例演示了如何使用 ultralytics 包加载模型并提取图像的特征向量（嵌入）。该嵌入代表了通过类似于对比预训练的技术所学到的语义内容。
from ultralytics import YOLO
# Load a pre-trained YOLO26 classification model
model = YOLO("yolo26n-cls.pt")
# Run inference on an image to get the results
# The 'embed' argument can be used in advanced workflows to extract feature layers
results = model("https://ultralytics.com/images/bus.jpg")
# Access the top predicted class probability
# This prediction is based on the learned feature representations
print(f"Top class: {results[0].names[results[0].probs.top1]}")
print(f"Confidence: {results[0].probs.top1conf:.4f}")这种提取丰富且有意义的特征的能力，使对比学习成为构建现代计算机视觉 (CV) 系统的核心，从而实现高效的图像搜索和高级分析。为了管理数据集并训练从这些高级架构中获益的自定义模型，Ultralytics Platform 提供了用于部署和监控的精简环境。
