ОСОБЛИВОСТІ НЕЗАЛЕЖНОГО НАВЧАННЯ НЕЙРОМЕРЕЖ НА БАЗІ ПЛАТФОРМИ YOLO V8N

Анотація

Імплементація нейромережевих компонентів для вирішення спеціалізованих задач в межах невизначеності вхідних даних стає перспективним напрямком розвитку цифрових технологій. Одним з проблемних аспектів є обмеженість даних для організації навчання, що зумовлює необхідність маніпуляції даними, зокрема використання різних послідовностей даних наявного датасету. Такий підхід може сприяти кращому узагальненню, оскільки мережа отримує більше варіацій комбінацій даних. Це дозволяє моделі: навчитися працювати з варіативністю входів а також уникати перенавчання на статичному порядку даних.

Доцільно зазначити, що упередженість у даних порівняно часто виникає, якщо порядок входів залишається статичним. Якщо ж використати різні послідовності, то може зменшити ризик моделі залежати від шаблонів, що притаманні певній структурі даних а також сприяє формуванню більш стійких представлень інформації. У реальних сценаріях дані часто надходять неідеально впорядкованими або містять спотворення. В такій ситуації форкання різних послідовностей допомагає моделі бути більш стійкою до варіативності та менш залежною від специфіки ідеальних вхідних даних.

Фактично штучне створення різних навчальних послідовностей на основі одного датасету дозволяє розширити навчальну вибірку, не збільшуючи її реального розміру а також застосовувати техніки аугментації даних для задач, де розмір датасету обмежений.

Крім того, однією з проблем окремих нейронних мереж є надмірна впевненість у хибних результатах. Одним з варіантів вирішення згаданої проблеми може бути використання агрегації результатів функціонування кількох моделей, що дозволяє згладжувати згадані ситуації, оскільки декілька моделей зазвичай не роблять одну й ту ж помилку одночасно. Система розпізнавання, що реалізується на основі кількох нейронних мереж із методами агрегації буде більш адаптивною до нових типів даних або задач. Тож вона матиме кращу масштабованість, оскільки якщо додати нову модель, що спеціалізується на вузькій підзадачі, її результати буде нескладно інтегрувати у вже існуючу систему через механізм агрегації.