Federated Learning

探索联邦学习 (Federated Learning) 如何在保护数据隐私的同时实现去中心化的模型训练。学习在边缘设备上安全地训练 Ultralytics YOLO26。

联邦学习是一种去中心化的机器学习技术，它允许多个设备在不共享原始训练数据的情况下协作训练模型。与将数据聚合到单个数据湖或服务器中的传统集中式方法不同，联邦学习将模型带到数据所在的位置。这种方法从根本上改变了我们处理数据隐私和安全性的方式，使组织能够利用存储在智能手机、IoT设备或私有服务器上的敏感信息，同时确保数据永远不会离开其原始来源。

Link to this section联邦学习的运作方式#

联邦学习的核心机制涉及中央服务器与参与客户端设备之间的迭代通信循环。此过程允许在不损害用户匿名性的前提下，持续改进全局神经网络。

全局模型初始化：中央服务器初始化一个通用的基础模型，并将其广播给选定的一组符合条件的客户端设备。
本地训练：每个客户端使用自己的本地私有数据集独立执行模型训练。这利用Edge AI功能在设备端计算更新。
更新聚合：客户端不上传原始图像或文本，而是仅将模型更新（具体为计算出的梯度或模型权重）发送回中央服务器。
全局改进：服务器使用诸如联邦平均 (FedAvg)之类的算法，将这些多样的更新组合成一个新的、更优的全局模型。
迭代：改进后的模型被发送回客户端，循环重复，直到系统达到预期的准确率。

Link to this section联邦学习与分布式训练的对比#

区分联邦学习与类似的训练范式非常重要，因为它们解决的是不同的工程问题。

分布式训练：这通常发生在受控环境中，例如单个数据中心，其中海量的集中式数据集被拆分到多个GPU上以加快计算速度。其主要目标是处理速度，且节点通过高带宽链路连接。
联邦学习：这在不受控的环境中运行，涉及具有不同电池寿命和网络连接的异构设备（如手机）。其主要目标是隐私和数据访问，而不一定是原始速度。

Link to this section实际应用#

在去中心化数据上进行训练的能力，为受严格监管合规性限制的行业打开了新的大门。

医疗保健中的 AI：医院可以通过使用医学图像分析协作训练稳健的肿瘤检测模型，而无需共享患者记录。这允许机构在遵守HIPAA法规的同时受益于更大的数据集。
预测性键盘：移动操作系统使用联邦学习来改进下一个词预测和自然语言处理 (NLP)。通过在本地学习打字模式，手机在无需向云端传输私人信息的情况下提升了用户体验。
汽车行业中的 AI：自动驾驶车队可以从本地路况和驾驶员干预中学习。这些洞察被聚合以更新车队的自动驾驶能力，而无需将数TB的原始视频流上传到中央服务器。

Link to this section代码示例：模拟本地客户端更新#

在联邦工作流中，客户端的工作是在小型本地数据集上微调全局模型。以下Python代码演示了客户端如何使用最先进的YOLO26模型执行一轮本地训练。

from ultralytics import YOLO

# Load the global model received from the central server
# In a real FL system, this weight file is downloaded from the aggregator
model = YOLO("yolo26n.pt")

# Perform local training on the client's private data
# We train for 1 epoch to simulate a single round of local contribution
results = model.train(data="coco8.yaml", epochs=1, imgsz=640)

# The updated 'best.pt' weights would now be extracted
# and sent back to the central server for aggregation
print("Local training round complete. Weights ready for transmission.")