零镜头学习（Zero-shot learning，ZSL）是机器学习中的一个高级概念，即训练模型识别在训练阶段从未遇到过的对象、概念或任务。与需要为每个类别提供大量标签数据的传统模型不同，零点学习能让模型从见过的类别泛化到没见过的类别。
零点学习利用语义嵌入将已知和未知类别联系起来。这些嵌入通常来源于辅助信息，如文字描述或属性，它们在已知和未知类别之间架起了桥梁。在训练过程中，模型会学习将这些语义嵌入与视觉特征联系起来。
零点学习之所以重要，是因为它能够解决对大量标注数据的需求，而收集和注释这些数据可能是资源密集型的。在一些领域，为每个可能的类别获取标注数据是不切实际的，比如稀有物种检测或异常事件分类，零点学习就能解决这些难题。
医疗保健：在医疗成像领域，零点学习可用于从有限的医疗记录或成像数据中检测罕见疾病，从而减少对大量数据集的需求。进一步了解人工智能在医疗保健领域的应用。
自动驾驶：通过识别训练数据集中不存在的新交通标志或障碍物，提高安全性和导航能力，从而使自动驾驶汽车从零距离学习中受益。探索人工智能在自动驾驶中的应用。
零次学习在训练阶段处理的是完全未见过的类别，而少次学习则需要少量有标记的示例。当一个新类别只有少量标注样本时，少次学习会特别有效，而零次学习则完全依赖于语义描述符。
迁移学习是指通过在新数据上进行额外训练，使预先训练好的模型适应新任务。相比之下，零点学习旨在将知识直接应用于新的类别，而无需额外的训练。了解有关迁移学习的更多信息。
Ultralytics 提供先进的解决方案和工具，如Ultralytics HUB，以简化高级人工智能模型的部署，如 Ultralytics YOLOv8.Ultralytics HUB 可以利用零点学习技术促进模型的集成和部署，从而实现高效的实际应用。
从句子到图像模型：利用像 DALL-E 这样的模型，系统可以根据在训练过程中没有看到的物体的文字描述生成图像，展示零拍摄能力。了解生成式人工智能的影响。
Meta 的 Segment Anything Model (SAM)：该模型支持图像和视频中的实时提示分割，在模型训练期间无法识别对象的情况下表现出色。探索SAM 的功能。
零点学习代表着人工智能在处理多样化动态环境能力方面的飞跃，使其成为未来跨行业创新的重要工具。
