Az Atışlı Öğrenme, modellerin çok az sayıda eğitim örneğinden, tipik olarak sınıf başına sadece bir ila beş örnekten öğrenmesini ve genelleştirmesini sağlamaya odaklanan bir Makine Öğrenimi (ML) alt alanıdır. Bu, yüksek performans elde etmek için genellikle binlerce veya milyonlarca etiketli veri noktası gerektiren geleneksel Derin Öğrenme (DL) yaklaşımlarıyla keskin bir tezat oluşturur. Temel fikir, yeni görevlere veya sınıflara minimum yeni veriyle hızlı bir şekilde uyum sağlamak için genellikle büyük, çeşitli veri kümeleri üzerinde eğitimden elde edilen önceki bilgilerden yararlanmaktır. Bu, büyük miktarlarda etiketli veri toplamanın pratik olmadığı, pahalı veya zaman alıcı olduğu durumlarda özellikle değerli hale getirir.
Temel Kavramlar
Az Atışlı Öğrenme genellikle aşağıdaki gibi kavramları içerir:
- Destek Kümesi: Yeni görev veya sınıflar için sağlanan küçük etiketli örnekler kümesi.
- Sorgu Kümesi: Modelin destek kümesine dayalı olarak sınıflandırması gereken etiketsiz örnekler.
- Meta-Öğrenme: Genellikle "öğrenmeyi öğrenme" olarak adlandırılan meta-öğrenme teknikleri, bir meta-eğitim aşamasında bir modeli çeşitli öğrenme görevleri üzerinde eğitir. Bu, modelin kendi başına verimli bir öğrenme algoritması öğrenmesini sağlar ve daha sonra yalnızca birkaç örnek kullanarak yeni görevlere hızlı bir şekilde uyarlanabilir. Popüler yaklaşımlar arasında Eşleştirme Ağları ve Prototipik Ağlar yer alır.
Uygunluk ve Uygulamalar
Sınırlı veriden öğrenme yeteneği, Az Atışlı Öğrenmeyi çok sayıda alanda oldukça önemli kılmaktadır:
- Tıbbi Görüntü Analizi: Eğitim için yalnızca birkaç hasta taramasının mevcut olabileceği nadir hastalıkların teşhisi. Örneğin, belirli bir nadir tümör türüne ait örnekler az olduğunda tıbbi görüntülemede tümör tespiti için bir modelin eğitilmesi.
- Robotik: Robotlara yeni becerileri veya nesne tanıma yeteneklerini minimum gösterimle öğretmek, yeni ortamlarda konuşlandırmayı hızlandırmak. Bir robotun yeni bir nesneyi sadece birkaç kez gösterdikten sonra alması için eğitilmesi buna bir örnektir.
- Kişiselleştirme: Öneri sistemleri veya kullanıcı arayüzleri gibi modellerin çok sınırlı etkileşim verilerine dayanarak bireysel tercihlere uyarlanması.
- Bilgisayarla Görme: Kapsamlı veri toplama ve açıklama gerektirmeden yeni nesne kategorileri için görüntü sınıflandırma veya nesne algılama gibi görevlerin etkinleştirilmesi. Ultralytics HUB gibi platformlar eğitim modellerini kolaylaştırabilir ve az sayıda çekim teknikleri özel görevler için gereken verileri potansiyel olarak azaltabilir.
İlgili Kavramlar
Few-Shot Learning, sınırlı verilerle çalışan öğrenme paradigmaları yelpazesinin bir parçasıdır:
- Sıfır Atışlı Öğrenme: Modelin eğitim sırasında hiç görmediği sınıfları, tipik olarak sınıf açıklamaları veya öznitelikler gibi yardımcı bilgilerden yararlanarak tanıması gereken daha zorlu bir senaryo.
- Tek Seferlik Öğrenme: Her yeni sınıf için yalnızca bir etiketli örneğin sağlandığı Az Atışlı Öğrenmenin özel bir durumu.
- Transfer Öğrenimi: Büyük bir veri kümesi ( ImageNet gibi) üzerinde önceden eğitilmiş bir modelin yeni, ilgili bir görev için uyarlandığı (ince ayar yapıldığı) daha geniş bir tekniktir. Genellikle Az Atışlı Öğrenme için bir temel olarak kullanılsa da, geleneksel transfer öğrenimi etkili adaptasyon için bir avuç örnekten daha fazlasına ihtiyaç duyabilir. Önceden eğitilmiş modeller gibi Ultralytics YOLO genellikle nesne algılamada transfer öğrenme için bir başlangıç noktası olarak kullanılır. Modellerin eğitimi ve uyarlanması ile ilgili kılavuzlar için Ultralytics belgelerini inceleyebilirsiniz.
Few-Shot Learning, tıpkı insanlar gibi yeni durumlarda hızlı bir şekilde öğrenebilen, daha fazla veri verimli ve uyarlanabilir Yapay Zeka (AI) sistemlerine doğru önemli bir adımı temsil etmektedir.
TR
EN
ZH
KO
JA
RU
DE
FR
ES
PT
IT
AR
VI
