Apprendimento profondo (DL)

Come funziona il Deep Learning

I componenti fondamentali del Deep Learning sono le reti neurali profonde, che consistono in uno strato di ingresso, più strati nascosti e uno strato di uscita. Ogni strato contiene nodi o "neuroni" interconnessi che elaborano le informazioni. A differenza delle reti meno profonde, la profondità di questi modelli consente loro di apprendere le caratteristiche in modo gerarchico. Ad esempio, nel riconoscimento delle immagini, gli strati iniziali potrebbero rilevare semplici bordi, quelli successivi combinarli in forme e quelli più profondi riconoscere oggetti complessi. Questo processo di estrazione automatica delle caratteristiche elimina la necessità di un'ingegnerizzazione manuale delle caratteristiche, un vantaggio significativo rispetto a molti approcci ML tradizionali. L'addestramento di queste reti prevede l'alimentazione di grandi quantità di dati etichettati(apprendimento supervisionato) e l'utilizzo di algoritmi come la retropropagazione e la discesa del gradiente per regolare i pesi del modello e minimizzare gli errori(funzione di perdita). Questo processo intensivo dal punto di vista computazionale si affida a un hardware potente, in particolare alle GPU, per una formazione efficiente del modello.

Importanza nell'intelligenza artificiale e nella visione artificiale

Il Deep Learning è uno dei principali fattori di progresso dell'IA, in particolare nell'ambito della Computer Vision (CV). La sua capacità di apprendere rappresentazioni significative da vasti set di dati, come il set di dati COCO o ImageNet, ha portato a scoperte in aree precedentemente considerate difficili per le macchine. Modelli come Ultralytics YOLO sfruttano la DL per il rilevamento di oggetti, la segmentazione delle immagini e la classificazione delle immagini ad alte prestazioni. Tecniche come il transfer learning permettono di sfruttare modelli pre-addestrati (modelli già addestrati su grandi insiemi di dati) per accelerare lo sviluppo di nuovi compiti correlati, anche con meno dati. Questo campo deve molto a pionieri come Geoffrey Hinton, Yann LeCun e Yoshua Bengio, spesso indicati come i "padrini dell'IA". Organizzazioni come DeepLearning.AI e l'Association for the Advancement of Artificial Intelligence (AAAI) continuano a far progredire la ricerca e la formazione in questo settore in rapida evoluzione.

Distinguere dai termini correlati

• Apprendimento automatico (ML): Il DL è un sottoinsieme del ML. Mentre tutto il DL è ML, non tutto il ML è DL. Il ML comprende una gamma più ampia di algoritmi, compresi i metodi non basati su reti neurali come le macchine a vettori di supporto (SVM), gli alberi decisionali e la regressione lineare, che spesso richiedono l'ingegnerizzazione manuale delle caratteristiche. La DL eccelle nelle attività che coinvolgono dati non strutturati e l'apprendimento automatico delle caratteristiche attraverso architetture profonde.
• Intelligenza Artificiale (AI): L'IA è il campo generale che si concentra sulla creazione di sistemi che mostrano un comportamento intelligente. Il ML è un approccio per raggiungere l'IA consentendo ai sistemi di imparare dai dati. La DL è un insieme specifico di tecniche di ML che utilizza reti neurali profonde. Pensate a questi concetti come a concetti annidati: AI > ML > DL.

Applicazioni del mondo reale

L'apprendimento profondo è alla base di molte moderne applicazioni di intelligenza artificiale:

• Veicoli autonomi: I modelli DL elaborano i dati dei sensori (telecamere, LiDAR) per il rilevamento degli oggetti in tempo reale, il mantenimento della corsia e la navigazione, consentendo le funzionalità di guida autonoma viste in sistemi sviluppati da aziende come Waymo. Scopri di più sull'intelligenza artificiale nelle auto a guida autonoma.
• Analisi di immagini mediche: Gli algoritmi di DL analizzano le scansioni mediche (come le risonanze magnetiche o le TAC) per assistere i radiologi nell'identificazione dei tumori, nella diagnosi precoce delle malattie e nella segmentazione degli organi. Iniziative come il programma Bridge2AI del NIH mirano a sfruttare l'IA per i progressi biomedici. Esplora lesoluzioni Ultralytics AI in ambito sanitario.
• Elaborazione del linguaggio naturale (NLP): Compiti come la traduzione automatica, l'analisi del sentimento e l'alimentazione di chatbot avanzati come ChatGPT di OpenAI si basano molto sui modelli DL, in particolare sui Transformer.
• Sistemi di raccomandazione: Piattaforme come Netflix utilizzano la DL per analizzare il comportamento e le preferenze degli utenti e suggerire contenuti pertinenti.
• Riconoscimento vocale: Gli assistenti virtuali e i software di dettatura utilizzano la DL per convertire il linguaggio parlato in testo.

Strumenti e strutture

Lo sviluppo di modelli DL è facilitato da diverse librerie e piattaforme software. I framework open-source più diffusi includono:

• PyTorch: Conosciuto per la sua flessibilità e l'approccio PythonPyTorch homepage diPyTorch ). I modelli di Ultralytics sono costruiti utilizzando PyTorch,
• TensorFlow: sviluppato da Google, offre un ecosistema completoTensorFlow homepage diTensorFlow ).
• Keras: Un'API di alto livello che può essere eseguita sopra TensorFlow, nota per la sua facilità d'uso(homepage di Keras).

Piattaforme come Ultralytics HUB forniscono ambienti integrati per l'addestramento di modelli personalizzati, la distribuzione e la gestione di modelli DL, in particolare per le attività di computer vision che utilizzano modelli come YOLO11. Uno sviluppo efficace spesso comporta pratiche come la messa a punto rigorosa degli iperparametri, la comprensione delle metriche delle prestazioni e l'utilizzo dell'accelerazioneGPU per un addestramento efficiente dei modelli.