Sfrutta la potenza dell'apprendimento per trasferimento per risparmiare tempo, aumentare le prestazioni dell'intelligenza artificiale e affrontare nuovi compiti con dati limitati grazie a modelli pre-addestrati.
L'apprendimento per trasferimento è una tecnica di Machine Learning (ML) in cui un modello sviluppato per un compito viene riutilizzato come punto di partenza per un modello su un secondo compito correlato. Invece di costruire un modello da zero, l'apprendimento per trasferimento sfrutta le conoscenze (caratteristiche, pesi) apprese da un compito di partenza, riducendo in modo significativo il tempo di formazione, i requisiti di dati e le risorse computazionali necessarie per il compito di arrivo. Questo approccio è particolarmente vantaggioso quando il compito di destinazione ha pochi dati etichettati.
Il processo inizia tipicamente con un modello pre-addestrato su un ampio set di dati generali, come ImageNet per i compiti di immagine o grandi corpora di testo per l'elaborazione del linguaggio naturale (NLP). Questo pre-addestramento permette al modello, spesso un modello di Deep Learning (DL) come una Rete Neurale Convoluzionale (CNN) o un Trasformatore, di apprendere caratteristiche generali: bordi, texture, schemi nelle immagini o grammatica e semantica nei testi.
Per il nuovo compito, questo modello pre-addestrato viene adattato. Le strategie più comuni includono:
L'impiego dell'apprendimento per trasferimento offre diversi vantaggi chiave:
L'apprendimento per trasferimento è ampiamente applicato in diversi ambiti:
Piattaforme come Ultralytics HUB semplificano il processo di applicazione del transfer learning fornendo modelli pre-addestrati (YOLOv8YOLOv11) e strumenti per una facile formazione personalizzata su set di dati specifici dell'utente. Framework come PyTorch e TensorFlow offrono anche un ampio supporto e tutorial per l'apprendimento per trasferimento. Per un approfondimento, esplora risorse come la panoramica di Stanford CS231n o indagini accademiche come"A Survey on Deep Transfer Learning".