少量学习

核心理念

快速学习通常涉及以下概念：

• 支持集：支持集：为新任务或新类别提供的小型标注示例集。
• 查询集：模型需要根据支持集进行分类的无标记示例。
• 元学习：元学习技术通常被称为 "学会学习"，它在元训练阶段对模型进行各种学习任务的训练。这样，模型本身就能学会一种高效的学习算法，然后只需使用少量示例就能快速适应新任务。流行的方法包括匹配网络和原型网络。

相关性和应用

从有限的数据中学习的能力使 "少量学习"（Few-Shot Learning）在许多领域都具有重要意义：

• 医学图像分析：诊断罕见疾病时，可能只有少数病人的扫描图像可用于训练。例如，在医学影像中训练肿瘤检测模型，而特定罕见肿瘤类型的例子却很少。
• 机器人：用最少的演示来教授机器人新的技能或物体识别能力，从而加快机器人在新环境中的部署。例如，只需演示几次，就能训练机器人拾起一个新奇的物体。
• 个性化：根据非常有限的交互数据，调整推荐系统或用户界面等模型，以适应个人偏好。
• 计算机视觉：无需大量数据收集和标注，即可完成图像分类或新物体类别的物体检测等任务。Ultralytics HUB等平台可为训练模型提供便利，而少量拍摄技术则有可能减少定制任务所需的数据。

相关概念

少量学习（Few-Shot Learning）是处理有限数据的一系列学习范式的一部分：

• 零点学习：这是一种更具挑战性的情况，模型必须识别它在训练过程中从未见过的类别，通常是通过利用类别描述或属性等辅助信息。
• 单次学习（One-Shot Learning）：单次学习（Few-Shot Learning）的一种特殊情况，即每个新类别只提供一个标注示例。
• 迁移学习：这是一种更广泛的技术，它将在大型数据集（如ImageNet）上预先训练好的模型进行调整（微调），以适应新的相关任务。传统的迁移学习虽然经常被用作 "少量学习"（Few-Shot Learning）的基础，但要进行有效的调整，可能仍需要更多的示例。像 Ultralytics YOLO这样的预训练模型经常被用作物体检测中迁移学习的起点。您可以查看Ultralytics 文档，了解有关训练和调整模型的指南。

快速学习"（Few-Shot Learning）是人工智能（AI）系统向数据效率更高、适应性更强的方向迈出的重要一步，它能够像人类一样在新情况下快速学习。