One-Shot Learning (单样本学习)

单次学习是一种机器学习（ML）中的专业分类技术，旨在通过单个训练样本学习物体类别的信息。与传统深度学习（DL）算法需要包含数千张标注图像的海量数据集才能有效泛化不同，单次学习模仿了人类瞬间掌握新概念的认知能力。 例如，人类通常只需目睹一次就能识别特定珍稀鸟类；该方法试图在人工智能系统中复现这种高效性。在数据标注成本高昂、数据稀缺或需动态添加新类别而无需重新训练整个模型的情境下，该技术尤为重要。

概念背后的机制

一次性学习的核心原理在于将目标从标准分类转向相似性评估。模型不再训练神经网络输出特定类别标签（如"狗"或"猫"），而是学习距离函数。 实现该目标的常见架构是 连体神经网络，其由两个共享相同模型权重的 完全对称子网络构成。

在运行过程中，网络执行特征提取，将输入图像转换为称为嵌入的紧凑数值向量。系统随后将新查询图像的嵌入与单个参考图像的嵌入进行比较。 "基准图像"的嵌入向量进行比对。当数学距离（通常采用欧几里得距离 或余弦相似度计算）低于特定阈值时，判定图像属于同一类别。该机制使模型能够基于学习特征空间中的相似度，实现身份验证或classify 。

以下Python 如何使用一个模型提取嵌入向量并计算相似度： YOLO26 的分类模型 ultralytics 包装

import numpy as np
from ultralytics import YOLO

# Load a pre-trained YOLO26 classification model for feature extraction
model = YOLO("yolo26n-cls.pt")

# Extract embeddings for a reference 'shot' and a query image
# The embed() method returns the feature vector directly
shot_vec = model.embed("reference_img.jpg")[0]
query_vec = model.embed("query_img.jpg")[0]

# Calculate similarity (higher dot product implies greater similarity)
similarity = np.dot(shot_vec, query_vec) / (np.linalg.norm(shot_vec) * np.linalg.norm(query_vec))

print(f"Similarity Score: {similarity:.4f}")

区分相关范式

区分一次性学习与其他数据高效学习技术至关重要，因为它们通过不同的约束条件解决类似问题：

• 少样本学习（FSL）：这是包含单样本学习的更广泛范畴。在FSL中，模型仅获得少量"支持集"样本，通常每类仅有两到五张图像。单样本学习正是支持集规模恰为一时的极端情况。
• 零样本学习（ZSL）：该方法处理模型从未视觉接触过的类别识别问题。与传统学习依赖参考图像不同，ZSL通过自然语言处理（NLP）技术，利用语义属性或文本描述（例如通过将视觉特征与"条纹马"的文本描述关联来识别"斑马"）实现目标。
• 迁移学习：这 涉及将模型预先训练于大型数据库（如 ImageNet 进行预训练，并针对新任务进行微调。虽然 迁移学习为单次学习中的特征提取器提供支持，但标准迁移学习通常 需要多个样本才能有效更新权重，同时避免 过拟合。

实际应用

单次学习技术在某些领域开辟了新可能，这些领域原本难以收集海量训练数据。

人脸识别与安全

单次学习最普遍的应用领域是生物识别安全。当在智能手机上设置Face ID或员工门禁系统时，设备会捕捉用户面部的一次数学化表示。日常使用中，面部识别系统通过将实时摄像头画面与存储的"单次"数据进行比对来验证身份。 该技术依托强大的嵌入算法（如基础研究FaceNet所探讨的方案），确保光照变化或角度偏移不会破坏相似度匹配机制。

工业质量控制

在制造业人工智能领域，创建平衡的"缺陷"零件数据集颇具挑战，因为缺陷既罕见又难以预测。单次学习技术使计算机视觉系统能够从单个"完美"参考零件中学习特征表征。 当装配线上的任何部件生成的嵌入向量 与该基准存在显著偏差时，系统即触发异常检测标记。 这种机制无需数千张缺陷部件图像即可实现即时质量保障， 并Ultralytics 进行管理与部署。

挑战与未来展望

尽管强大，单次学习法易受噪声影响；若唯一参考图像模糊、遮挡或 不具代表性，模型识别该类别的性能将显著下降。 研究人员常采用元学习（即"学习如何学习"）来提升模型稳定性与泛化能力。随着架构演进，新型模型如YOLO26正整合更强大的特征提取器，使单次推理更快更精准，为更具适应性与智能性的边缘AI设备铺平道路。