Few shot learning nedir, az örnekli görüntü tanıma nasıl çalışır?
Few shot learning, yani az örnekli öğrenme, hedef sınıfı az sayıda etiketli örnekle tanımaya çalışmaktır. Bilgisayarlı görüde bir örnek, çoğunlukla belirli bir sınıfa ait görüntüdür. Sınıf başına beş örnekle kurulan deney ile toplam beş görüntüsü bulunan deney aynı değildir. Kullanılan model önceden büyük bir veri kümesinde eğitilmiş olabilir; az örnekli olması, öğrenmenin tamamının yalnızca bu birkaç görüntüyle gerçekleştiği anlamına gelmez.
Prototypical Networks makalesi, eğitimde görülmeyen sınıfları az sayıda örnekle tanımak için öğrenilmiş özellik uzayında sınıf temsil noktalarına uzaklık hesaplar. Bir uygulamada önceden eğitilmiş özelliklerden basit sınıflandırıcı kurmak da küçük veriyle başlangıç seçeneğidir. Ancak her küçük veri eğitimi bu makaledeki deney düzeniyle aynı değildir. Kaç sınıf, sınıf başına kaç bağımsız görüntü ve hangi ön eğitim kullanıldığını açık yazın.
Yalnızca normal parçaların bulunduğu anomali tespiti farklı bir sorunu çözer. Bilinen kusurun adını öğrenmek yerine normal görünümden sapmayı arar. PatchCore makalesi, yalnızca normal görüntülerle eğitilen bu yaklaşımı inceler. Elinizde iki kusur görüntüsü ve yüzlerce normal görüntü varsa bunları iki örnekli kusur sınıflandırmasıyla eşdeğer saymayın. İhtiyacınız kusur adı, şüpheli bölge veya inceleme kararı olabilir; veri planı buna göre değişir.
Etiket sayısına göre hangi deneyi seçmelisiniz?
Görüntü envanterini ürün, kusur türü, kamera, vardiya ve partiye göre çıkarın. Bir fiziksel parçanın yirmi benzer karesi yirmi bağımsız kusur örneği değildir. Aşağıdaki sayılar yöntem için başarı eşiği değil, pilot planını somutlaştıran örnek veri durumlarıdır. Görüntü sayısı kadar çeşitlilik ve kabul kuralının açıklığı da belirleyicidir.
| Etiket durumu | Başlangıç deneyi | İstenen çıktı ve kontrol |
|---|---|---|
| Kusur etiketi yok, normal görüntüler var | Normal öğrenen anomali modeli | İnceleme puanı; bağımsız kusur testi |
| Sınıf başına 1–4 kusur | Özellik benzerliği veya sınıf temsili | Sınıf önerisi; bağımsız ek örnekler |
| Sınıf başına 5–20 kusur | Dondurulmuş özelliklerle küçük sınıflandırıcı | Kusur sınıfı; ayrılmış doğrulama |
| Bazı kusur türlerinde örnek yok | Bilinen sınıflar ve “bilinmeyen” çıkışı | İncelemeye yönlendirme; yeni tür testi |
| Kusurun yeri veya alanı gerekli | Konum etiketli ayrı deney | Kutu veya maske; bölgesel değerlendirme |
Parça düzeyinde doğru sınıf, ince bir çiziğin yerini doğru bulduğunuzu kanıtlamaz. Konum göstermek gerekiyorsa test örneklerini kutu veya maske ile işaretleyin. Alan ölçmek gerekiyorsa görüntü geometrisini de doğrulayın. Görüntü etiketlerini çoğaltmak, bu ölçüm ihtiyacını kendiliğinden çözmez.
Küçük veriyle görüntü tanıma deneyi nasıl kurulur?
Önce sınıf sözlüğünü yazın: kabul edilebilir görünüm, kusur türleri, karışabilecek kozmetik izler ve kararsız durumlar. Etiketleyicilere sınır örnekleri gösterin. Kusur fotoğrafındaki işaret, farklı arka plan veya çekim düzeni sınıfın ipucu olmamalıdır. Sağlam ve kusurlu parçaları mümkün olduğunca aynı istasyonda görüntüleyin; modelin kusur yerine veri toplama biçimini öğrenmesini engelleyin.
Her görüntü için parça kimliği, parti, kamera, ürün varyantı, çekim zamanı, kusur etiketi ve inceleme kararını saklayın. Önce bağımsız parçaları eğitim, doğrulama ve test gruplarına ayırın; artırılmış görüntüleri yalnız eğitimden üretin. Aynı görüntünün döndürülmüş veya renk değiştirilmiş kopyası yeni bir fiziksel kusur değildir. Testteki özgün görüntünün türevi eğitimde bulunmamalıdır.
Üç başlangıcı karşılaştırın: mevcut kamera kuralı, yalnız normal görüntülerle anomali tespiti ve etiketler yeterliyse küçük sınıflandırıcı. PyTorch'un bilgisayarlı görü aktarım öğrenmesi rehberi, önceden eğitilmiş ağı uyarlama ile ağı sabit özellik çıkarıcı olarak kullanmayı ayrı seçenekler halinde gösterir. Veri azsa önce yalnızca az sayıda parametrenin eğitildiği bir deneyle başlayıp daha geniş uyarlamanın yararını doğrulama grubunda ölçebilirsiniz.
Az örnekli sınıf temsilinde hangi görüntülerin referans olduğunu kaydedin. Bir sınıfa uzaklığı küçük olsa bile örnek tüm bilinen sınıflardan çok farklı olabilir. İnceleme sınırını ayrı doğrulama verisinde seçin; sınıflandırıcının her görüntüyü zorunlu olarak bilinen bir kusura atamasını operasyon kararı diye kullanmayın. Bilinmiyor yolu da kendi kabul testine ihtiyaç duyar.
Etiketleme bütçesini ve açık veri kaynaklarını planlayın
Bütçeyi yalnız eğitim örneğine ayırmayın. Etiketlerin uzman kontrolü, bağımsız test ve yanlış karar incelemesi de emek ister. Sınıf başına yalnız bir örnek varsa hem öğrenme hem bağımsız başarı ölçümü aynı görüntüye dayanamaz. Yeni görüntü toplamak, çok sayıda model ayarı denemekten daha faydalı olabilir. Hangi eksik sınıf veya kamera diliminin sıradaki çekim bütçesini alacağını hata kaydıyla belirleyin.
MVTec AD 2, zor ışık koşulları ile açık ve gizli test düzeni içeren bir karşılaştırma kaynağıdır. Veri kümesinin lisansı ticari kullanımı sınırlar; bir iş projesine kopyalamadan önce koşullarını kontrol edin. Bu kaynakla yöntemi inceleyebilirsiniz, fakat sonuçlar sizin kameranız, ürün çeşitliliğiniz veya fiziksel ayırma sisteminiz için garanti oluşturmaz.
Varsayımsal örnek: 400 normal ve 18 kusurlu görüntü
Bu senaryodaki bütün sayılar örnek plan için varsayımsaldır. Paketleme hattında 400 normal görüntü ve üç kusur türünden altışar görüntü olsun. Normal veriyi 240 eğitim, 80 doğrulama ve 80 test görüntüsü olarak ayırın. Her kusur türünde üç görüntüyü sınıflandırıcının öğrenmesine veya referansına, birini doğrulamaya ve ikisini teste ayırın. Toplam kusur dağılımı 9, 3 ve 6 olur.
Ayrımı parça ve parti bazında yapın; görüntü sayıları uğruna aynı nesneyi gruplar arasında paylaşmayın. Anomali modeli yalnız 240 normal görüntüyle eğitilsin. Sınıflandırıcı aynı normal geçmişi ve dokuz kusur örneğini kullanabilir. Her iki adayın eşiği doğrulamada seçilsin. Altı test kusurunu yalnız son karşılaştırmada açın; sonuç beğenilmediği için bu görüntüleri tekrar tekrar ayar verisi yapmayın.
Normal görüntüye bir dakika, kusur görüntüsüne üç dakika etiketleme ayrılırsa ilk çalışma 400 + 54 = 454 dakika, yaklaşık 7,6 saat sürer. Uzman kontrolü ve yeni çekimler buna ayrıca eklenir. Bir aday altı test kusurundan beşini işaretleyip 80 normal parçadan dördünü incelemeye göndersin: eldeki kusur yakalama oranı %83,3, yanlış uyarı oranı %5 olur. İkinci oran benzer koşullarda bin normal parça başına 50 uyarıya karşılık gelir. Altı kusur bu sonucu otomatik ret için güçlü kanıt yapmaz; tek bir kaçan kusur oranı yaklaşık 16,7 puan değiştirir.
Test planı: az örnekte neyi raporlamalısınız?
Toplam doğruluk sağlam parçaların çoğunluğuyla yüksek görünebilir. Her kusur türü için doğru bulunan, kaçan ve yanlış sınıfa atanan görüntüleri sayı olarak gösterin. Yanlış uyarıları normal parça sayısına göre hesaplayın. Modeli seçmeden önce hangi hata maliyetinin daha ağır olduğunu üretim ekibiyle belirleyin.
- Veri ayrımı: Parça kimliklerini ve artırılmış kopyaların yalnız eğitimde olduğunu denetleyin.
- Referans duyarlılığı: Az örnekli referans seçimi değişince sonucun nasıl değiştiğini doğrulama verisinde ölçün.
- Zor dilimler: Küçük kusur, farklı vardiya, yeni parti ve kamera koşullarını ayrı raporlayın.
- Operasyon: Hedef donanımdaki toplam gecikmeyi, yanlış uyarıyı ve operatör inceleme süresini ölçün.
- Bilinmeyen durumlar: Yeni kusur, eksik görüntü ve belirsiz sınıfın incelemeye gittiğini sınayın.
Sonraki bağımsız partilerden veri biriktirin. Yanlış uyarıları ve kaçışları kalite kararıyla eşleştirin; düşük puanlı parçalardan da kontrol örneklemi alın. Kamera taşındığında, malzeme veya ışık değiştiğinde kabul testini yineleyin. Daha çok etiket, yalnız sayıyı büyütmek yerine eksik koşulları tamamlamalıdır.
Sık yapılan hatalar
- Toplam görüntü sayısını sınıf başına bağımsız örnek sayısı gibi sunmak.
- Normal referanslarla anomali tespitini etiketli kusur sınıflandırmasıyla aynı deney saymak.
- Artırılmış kopyaları farklı kümelere dağıtmak ve başarıyı benzer karelerle şişirmek.
- Altı test kusurundan çıkan yüzdeyi geniş üretim güvencesi gibi yorumlamak.
- Sınıflandırma puanını konumlama, ölçüm veya bilinmeyen kusur tespiti kanıtı saymak.
Hatson Tech bunu nasıl kuruyor?
Bilgisayarlı görü hizmetlerimizde veri envanterini, etiket bütçesini ve son eylemi aynı pilot planında birleştiriyoruz. Daha geniş hat düzeni için üretimde görüntü işleme ve kalite kontrol rehberimiz, normal verinin ağırlıkta olduğu başlangıçlar için kusur etiketi olmadan anomali tespiti yazımız, konum ve alan ihtiyacı için segmentasyon ve nesne tespiti seçim rehberimiz yardımcı olur. İlk hedef, mevcut verinin hangi kararı destekleyebildiğini bağımsız ölçümle göstermektir.