Zero-Shot Learning'i keşfedin: modellerin görünmeyen verileri sınıflandırmasını sağlayan, nesne algılama, NLP ve daha fazlasında devrim yaratan son teknoloji bir yapay zeka yaklaşımı.
Zero-Shot Learning (ZSL), Makine Öğrenimi (ML) içinde bir modelin eğitim aşamasında açıkça görmediği veri kategorilerini tanımak ve sınıflandırmak için eğitildiği büyüleyici bir alanı temsil eder. Her olası kategori için etiketli örnekler gerektiren geleneksel denetimli öğrenme yaklaşımlarının aksine ZSL, paylaşılan yardımcı bilgileri kullanarak bilgiyi görülen sınıflardan görülmeyen sınıflara genelleştirmeyi amaçlar. Bu özellik, akla gelebilecek her kategori için etiketli veri elde etmenin pratik olmadığı veya imkansız olduğu gerçek dünya senaryolarında özellikle değerlidir.
ZSL'nin arkasındaki temel fikir, girdi özellik uzayı (örneğin, görüntü özellikleri veya metin özellikleri) ile anlamsal bir gömme uzayı arasında bir eşleme öğrenmektir. Bu anlamsal uzay tipik olarak hem görülen hem de görülmeyen sınıflar arasında paylaşılan üst düzey tanımlayıcı özellikleri veya öznitelikleri kodlar. Örneğin, bilgisayarla görmede bunlar 'çizgili', 'kürklü', 'kanatlı' gibi görsel öznitelikler veya metin tabanlı açıklamalar olabilir. Doğal Dil İşleme'de (NLP), kelime katıştırmaları genellikle bu anlamsal alan olarak hizmet eder.
Eğitim sırasında model, görülen sınıfların özelliklerini karşılık gelen anlamsal temsilleriyle (ör. öznitelikler veya katıştırmalar) ilişkilendirmeyi öğrenir. Çıkarım zamanında, görülmeyen bir sınıfın bir örneği sunulduğunda, model bu sınıfın özelliklerini çıkarır ve bunları öğrenilen anlamsal uzaya eşler. Bu eşlemeyi, görülmeyen sınıfların bilinen anlamsal temsilleriyle (ayrı olarak sağlanır) karşılaştırarak model, önceden örnekler olmadan bile sınıf etiketini tahmin edebilir. Derin Öğrenme modelleri, özellikle CLIP gibi kontrastlı öğrenme gibi teknikleri kullananlar, zengin özellik temsillerini öğrenme yetenekleri nedeniyle ZSL görevleri için sıklıkla kullanılır. Ultralytics Veri Kümeleri belgesinde listelenenler gibi, bu tür görevler için uygun çeşitli veri kümelerini keşfedebilirsiniz.
Zero-Shot Learning, çeşitli alanlarda güçlü uygulamalara olanak tanır:
ZSL'yi ilgili kavramlardan ayırmak önemlidir:
Temel fark, ZSL'nin eğitim veya adaptasyon sırasında hedef sınıflar için sıfır etiketli örneklere sahip olma katı koşulu altında çalışmasıdır. Karşılaştırmalı bir genel bakış için , Az Atışlı, Sıfır Atışlı ve Transfer Öğrenimini Anlama konusundaki tartışmaya bakınız.
Zero-Shot Learning, yapay zeka sistemlerinin ölçeklenebilirliğini ve uyarlanabilirliğini önemli ölçüde artırır. Büyük ölçekli makine öğrenimi uygulamalarının geliştirilmesinde genellikle bir darboğaz olan kapsamlı veri toplama ve ek açıklama bağımlılığını azaltır. ZSL, modellerin görünmeyen kavramlar hakkında akıl yürütmesini sağlayarak Yapay Zeka'da (AI) genellemenin sınırlarını zorlar, sistemleri daha sağlam ve gerçek dünyanın açık uçlu doğasını idare edebilecek hale getirir. Ultralytics HUB gibi platformlar, gelecekte potansiyel olarak ZSL ilkelerinden yararlananlar da dahil olmak üzere modellerin eğitimini ve dağıtımını kolaylaştırır. ZSL araştırması hakkında daha fazla bilgi için Wikipedia'nın ZSL sayfası gibi kaynaklara veya arXiv gibi platformlarda bulunan akademik araştırmalara başvurun.
TR
EN
ZH
KO
JA
RU
DE
FR
ES
PT
IT
AR
VI
