Online Learning
了解在线学习如何实现模型增量更新、适应概念漂移，并借助 Ultralytics YOLO26 支持更安全的计算机视觉工作流。
在线学习是一种机器学习方法，模型会随着新样本的到来逐步更新，而不是仅基于固定数据集训练一次。该术语指的是流式或顺序模型更新，而不是基于互联网的教育。在线学习器可以进行预测、接收反馈，并在每个样本或小批次之后更新，具体定义参见scikit-learn 在线学习定义。当数据持续产生、规模太大而无法装入内存，或会随时间变化时，这种方法非常有用。（scikit-learn.org）
在线学习的工作原理#
典型流程如下：
- 模型接收新输入并进行预测。
- 标签或反馈信号变得可用。
- 计算损失并更新模型参数。
- 在处理下一个样本之前测量性能。
用于流式机器学习的 River等库通过 predict_one() 和 learn_one() 等方法实现这种先预测后学习的工作流。神经网络也可以通过反复执行PyTorch 优化器步骤采用相同的原则，不过深度模型通常会以小批次进行更新，以提高计算效率。（docs.pytorch.org）
在概念漂移情况下，输入与输出之间的关系会发生变化，因此在线学习尤其有价值。例如季节性交通模式、不断变化的客户行为、新出现的制造缺陷，或安装在不同光照条件下的摄像头。2024 年一项关于循环概念漂移的综述指出，天气和一天中的时间等反复出现的条件，要求系统能够识别并适应之前遇到过的数据分布。（ijcai.org）
计算机视觉中的在线学习#
Ultralytics YOLO 不会在推理过程中进行不受控制的逐帧权重更新。相反，团队可以在近期标注数据与较早样本混合的基础上，定期进行微批次微调，以近似实现安全的在线学习：
from ultralytics import YOLO
model = YOLO("yolo26n.pt")
model.train(data="coco8.yaml", epochs=3, imgsz=640, lr0=0.001)此可运行示例使用Ultralytics YOLO26和文档所述的YOLO 训练模式，以较小的学习率执行小幅更新。在生产环境中，应将 coco8.yaml 替换为包含近期样本和重放样本的带版本数据集。
具体应用包括：
- 制造业视觉检测： 当出现新产品、新材料或新的缺陷类型时，更新模型。
- 自动驾驶车辆感知： 检测系统可适应不断变化的道路、天气、摄像头条件和目标分布。
- 零售库存管理： 模型可以学习新的包装和季节性产品，而无需完整重新训练。
相关概念与主要区别#
持续学习的范围更广：其目标是在任务或领域之间学习，同时保留早期知识。在线学习描述的是更新在何时发生以及发生得多频繁。主动学习则会选择信息量最大的样本供人工标注，而迁移学习会将预训练知识适配到目标任务。
一个主要的共同挑战是灾难性遗忘。近期研究包括 2024 年的 BECoTTA 持续测试时自适应、2025 年的 Ranked Entropy Minimization，以及 2026 年的 PLASTIC 稳定性-可塑性方法，这些研究探索了在不导致模型崩溃或丧失早期能力的情况下实现高效自适应的方法。（proceedings.mlr.press）
