Facendo clic su "Accetta tutti i cookie", acconsenti alla memorizzazione dei cookie sul tuo dispositivo per migliorare la navigazione del sito, analizzare l'utilizzo del sito e contribuire alle nostre iniziative di marketing. Per saperne di più
Impostazioni dei cookie
Facendo clic su "Accetta tutti i cookie", acconsenti alla memorizzazione dei cookie sul tuo dispositivo per migliorare la navigazione del sito, analizzare l'utilizzo del sito e contribuire alle nostre iniziative di marketing. Per saperne di più
L'apprendimento attivo accelera lo sviluppo della computer vision
Scopri come l'apprendimento attivo viene utilizzato nella computer vision per ridurre al minimo gli sforzi di annotazione ed esplora le sue applicazioni reali in vari settori.
Addestrare un modello di visione computerizzata è molto simile a insegnare a un bambino a riconoscere i colori. Per prima cosa, è necessario disporre di una collezione di oggetti colorati. Poi, devi guidare il bambino a identificare correttamente ogni colore, un compito che spesso richiede tempo e ripetitività.
Proprio come un bambino ha bisogno di molti esempi per imparare, un modello di visione ha bisogno di un ampio set di dati etichettati per riconoscere modelli e oggetti nelle immagini. Tuttavia, l'etichettatura di grandi quantità di dati richiede molto tempo e impegno, per non parlare delle risorse. Tecniche come l'apprendimento attivo possono aiutare a semplificare questo processo.
L'apprendimento attivo è un processo graduale in cui vengono selezionati ed etichettati i dati più importanti di un ampio set di dati. Il modello impara da questi dati etichettati, rendendolo più preciso ed efficace. Concentrarsi solo sui dati più importanti riduce la quantità di etichette necessarie e accelera lo sviluppo del modello.
In questo articolo vedremo come l'apprendimento attivo aiuta la formazione del modello, riduce i costi di etichettatura e migliora l'accuratezza complessiva del modello.
I dataset di immagini non sono facili da costruire
I dataset sono alla base dei modelli di computer vision e deep-learning. Dataset popolari come ImageNet offrono milioni di immagini con diverse categorie di oggetti. Tuttavia, la creazione e la manutenzione di questi enormi volumi di set di dati di alta qualità comporta diverse sfide.
Ad esempio, la raccolta e l'etichettatura dei dati richiede tempo, risorse e annotatori qualificati, rendendo il processo impegnativo a seconda dell'applicazione specifica. Sono necessarie soluzioni innovative e più efficienti per tenere il passo con la crescente domanda di set di dati di immagini, ed è proprio questo l'obiettivo dell'apprendimento attivo.
L'apprendimento attivo offre una soluzione perfetta ottimizzando il processo di etichettatura dei dati. Selezionando strategicamente i punti dati più informativi per l'annotazione, l'apprendimento attivo massimizza le prestazioni del modello riducendo al minimo gli sforzi di etichettatura.
Che cos'è l'apprendimento attivo?
L'apprendimento attivo è una tecnica di apprendimento automatico iterativo in cui il modello sceglie i punti di dati più importanti da etichettare da un ampio pool di dati non etichettati. Questi dati selezionati vengono etichettati manualmente e aggiunti al set di dati di addestramento.
Il modello viene quindi riaddestrato sul set di dati aggiornato e seleziona la serie successiva di punti dati da etichettare. Questo processo si ripete, con il modello che migliora continuamente concentrandosi sui punti dati più informativi. Il ciclo continua finché il modello non raggiunge l'accuratezza desiderata o non soddisfa i criteri di etichettatura stabiliti in precedenza.
Figura 1. Una panoramica dell'apprendimento attivo.
Capire come funziona l'apprendimento attivo
Forse ti starai chiedendo come fa la tecnica di apprendimento attivo a decidere quali punti dati devono essere etichettati manualmente e quali etichettare successivamente. Cerchiamo di capire come funziona l'apprendimento attivo paragonandolo allo studio per un esame: ti concentri sugli argomenti di cui non sei sicuro e ti assicuri di coprire una varietà di argomenti per essere ben preparato.
Per la serie iniziale di processi di selezione dei dati, l'apprendimento attivo utilizza strategie come il campionamento per incertezza e il campionamento basato sulla diversità. Il campionamento per incertezza dà priorità ai punti di dati in cui il modello è meno sicuro delle sue previsioni, con l'obiettivo di migliorare l'accuratezza nei casi difficili. Il campionamento basato sulla diversità seleziona i punti di dati che coprono un'ampia gamma di caratteristiche, assicurando che il modello si generalizzi bene ai dati non visti esponendolo a esempi diversi.
Figura 2. Campionamento con incertezza (a sinistra) e campionamento basato sulla diversità (a destra).
Dopo la selezione iniziale dei dati, l'apprendimento attivo utilizza due approcci principali per l'etichettatura: il campionamento basato sul pool e il campionamento basato sul flusso, simili al modo in cui un insegnante aiuta uno studente a concentrarsi su ciò che è più importante.
Nel campionamento basato sul pool, il modello analizza un ampio pool di dati non etichettati e seleziona gli esempi più impegnativi o informativi da etichettare, proprio come uno studente che dà priorità alle flashcard più difficili. Per quanto riguarda il campionamento basato sul flusso, il modello elabora i dati man mano che arrivano, decidendo se etichettarli o saltarli, come uno studente che chiede aiuto solo quando è bloccato. In entrambi i casi, i dati etichettati vengono aggiunti al set di addestramento e il modello si riaddestra, migliorando costantemente a ogni iterazione.
Esplorare le applicazioni dell'apprendimento attivo
L'apprendimento attivo svolge un ruolo fondamentale nelle applicazioni di computer vision, come l'imaging medico e la guida autonoma, migliorando l'accuratezza dei modelli e semplificando il processo di etichettatura dei dati. Un esempio interessante è rappresentato dai modelli di computer vision utilizzati nelle auto a guida autonoma per rilevare pedoni o oggetti in condizioni di scarsa illuminazione o nebbia. L'apprendimento attivo può migliorare l'accuratezza concentrandosi su scenari di guida diversi e impegnativi.
In particolare, l'apprendimento attivo può essere utilizzato per identificare i dati o i fotogrammi incerti di questi scenari per un'etichettatura selettiva. L'aggiunta di questi esempi etichettati al set di addestramento permette al modello di riconoscere meglio i pedoni e gli oggetti in ambienti difficili, come ad esempio durante le condizioni atmosferiche avverse o la guida notturna.
Ad esempio, NVIDIA ha utilizzato l'apprendimento attivo per migliorare il rilevamento dei pedoni di notte nei suoi modelli di guida autonoma. Selezionando strategicamente i dati più informativi per l'addestramento, soprattutto in scenari difficili, le prestazioni del modello aumentano notevolmente.
Figura 3. Rilevamento di un pedone con un ombrello grazie all'apprendimento attivo.
L'apprendimento attivo può ridurre i costi di etichettatura
Un altro aspetto fondamentale dell'apprendimento attivo è il suo potenziale di riduzione dei costi di etichettatura. Lo fa concentrandosi solo sui punti di dati più importanti, invece di richiedere annotazioni per l'intero set di dati. Questo approccio mirato consente di risparmiare tempo, fatica e denaro. Concentrandosi su campioni incerti o diversi, l'apprendimento attivo riduce il numero di annotazioni necessarie pur mantenendo un'elevata precisione del modello.
Infatti, le ricerche dimostrano che l'apprendimento attivo può ridurre i costi di etichettatura del 40-60% senza sacrificare le prestazioni. Questo è particolarmente utile in settori come quello sanitario e manifatturiero, dove l'etichettatura dei dati è costosa. Semplificando il processo di annotazione, l'apprendimento attivo aiuta le aziende a sviluppare più velocemente i modelli e a distribuirli in modo più efficiente, mantenendo la precisione.
Vantaggi dell'apprendimento attivo
Ecco alcuni degli altri vantaggi principali che l'apprendimento attivo può offrire:
Affrontare lo sbilanciamento delle classi: L'apprendimento attivo può aiutare a risolvere i problemi di sbilanciamento delle classi etichettando le istanze provenienti da classi di dati minoritarie. Il modello può funzionare meglio in scenari rari con dati limitati.
Cicli di sviluppo più rapidi: Etichettare meno dati significa accelerare il processo di sviluppo dei modelli di machine learning e computer vision, consentendo di avere più tempo e risorse per ulteriori iterazioni ed esperimenti.
Adattabilità: È in grado di migliorare continuamente i dati di formazione iterando su campioni incerti o con casi limite, il che lo rende adatto a set di dati dinamici o in evoluzione.
L'apprendimento attivo e l'AutoML possono lavorare insieme
L'Automated Machine Learning (AutoML) si concentra sull'automatizzazione delle attività iterative e dispendiose in termini di tempo che riguardano la creazione e l'implementazione di modelli di apprendimento automatico. Semplifica i flussi di lavoro dell'apprendimento automatico automatizzando attività come la selezione dei modelli e la valutazione delle prestazioni per ridurre la necessità di sforzi manuali.
Se integrato con l'apprendimento attivo, AutoML può accelerare e ottimizzare il ciclo di vita del modello. La componente di apprendimento attivo seleziona strategicamente i punti dati più informativi per l'etichettatura, mentre AutoML perfeziona il modello automatizzando la scelta dell'architettura, dei parametri e della messa a punto.
Vediamo di capire questa combinazione di tecnologie con un esempio.
Supponiamo che tu stia cercando di individuare condizioni rare nell'imaging medico (un caso d'uso in cui i dataset etichettati sono limitati e costosi da ottenere). L'apprendimento attivo è in grado di identificare e selezionare i dati incerti, come i sottili cambiamenti nelle immagini a raggi X, che il modello non riesce a classificare. In seguito, i dati incerti possono essere classificati come prioritari per l'annotazione manuale al fine di migliorare la comprensione del modello.
Con i dati annotati, AutoML può ottimizzare il modello esplorando varie architetture, iperparametri e altre tecniche di incremento dei dati. Il processo iterativo accelera lo sviluppo di modelli di visione affidabili come Ultralytics YOLO11 che aiutano gli operatori sanitari a fare diagnosi accurate.
Le sfide dell'apprendimento attivo
L'apprendimento attivo e le sue tecniche offrono numerosi vantaggi, ma ci sono alcune considerazioni da tenere a mente quando si implementano queste strategie:
Selezione della strategia di interrogazione: L'apprendimento attivo coinvolge molte tecniche e la scelta del metodo migliore ha un impatto significativo sull'efficacia del modello. La selezione di una strategia inadeguata può ridurre le prestazioni del modello per un'applicazione specifica.
Costi di riqualificazione: La natura iterativa dell'apprendimento attivo richiede risorse computazionali costose, soprattutto per i dataset di grandi dimensioni. Il modello viene riqualificato dopo ogni ciclo di etichettatura, aumentando la sua complessità.
Qualità del modello iniziale: L'efficacia dell'apprendimento attivo dipende dalla qualità del modello iniziale. Un modello iniziale poco performante potrebbe non identificare con precisione i punti di dati informativi, portando a richieste di etichette inferiori alla norma e a prestazioni complessive ridotte.
La strada da percorrere per l'apprendimento attivo e l'AutoML
Con i recenti progressi nel campo dell'intelligenza artificiale e della computer vision, l'apprendimento attivo è destinato ad affrontare sfide più complesse e a semplificare i flussi di lavoro dell'apprendimento automatico. La combinazione dell'apprendimento attivo con tecniche come l'apprendimento federato e l'apprendimento auto-supervisionato può migliorare ulteriormente l'efficienza e la scalabilità dei modelli di visione.
L'apprendimento federato consente di addestrare un modello su più dispositivi o server con un framework distribuito, senza che i dati debbano lasciare la loro posizione originale. Considerando settori come quello sanitario, dove la privacy dei dati è importante, l'apprendimento federato permette di addestrare direttamente i dati sensibili locali mantenendoli al sicuro. Invece di condividere i dati grezzi, vengono condivisi solo gli aggiornamenti del modello o le intuizioni, garantendo che le informazioni private rimangano protette pur contribuendo al processo di formazione.
Nel frattempo, l'apprendimento auto-supervisionato aiuta a ridurre la necessità di dati etichettati, preaddestrando i modelli su dati non etichettati. Questo processo crea una base solida per il modello. L'apprendimento attivo può poi basarsi su questa base identificando e selezionando i punti di dati più importanti per l'annotazione umana, affinando ulteriormente il modello.
Dall'apprendimento attivo all'impatto attivo
L'apprendimento attivo offre un modo pratico per affrontare le principali sfide della computer vision, come l'elevato costo dell'annotazione dei dati e la necessità di modelli più accurati. Concentrandosi sull'etichettatura dei soli punti dati più importanti, riduce lo sforzo richiesto all'uomo e aumenta le prestazioni del modello.
Se combinato con tecnologie come AutoML, l'apprendimento attivo semplifica lo sviluppo dei modelli automatizzando le attività che richiedono molto tempo. Con l'avanzare dei progressi, l'apprendimento attivo è destinato a diventare uno strumento essenziale per costruire sistemi di visione artificiale più intelligenti ed efficienti.
