术语表

少量学习

了解 "少量学习 "如何使人工智能能够利用最少的数据进行调整,从而改变医疗诊断和野生动物保护等领域。

使用Ultralytics HUB 对YOLO 模型进行简单培训

了解更多

少量学习(Few-Shot Learning机器学习(ML)的一个子领域,其重点是使模型能够从极少量的训练示例(通常每类只有一到五个示例)中学习和泛化。这与传统的深度学习(DL)方法形成了鲜明对比,后者通常需要数千或数百万个标注数据点才能实现高性能。其核心思想是利用先验知识(通常是从大型、多样化数据集的训练中获得的),以最少的新数据快速适应新任务或新类别。这使得它在收集大量标记数据不切实际、成本高昂或耗费时间的情况下特别有价值。

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。

阅读全部