Active Learning
本番推論データを収集し、レビューと再学習を通じてモデルを継続的に改善します。
最終更新
役に立ちましたか？
本番推論データを収集し、レビューと再学習を通じてモデルを継続的に改善します。
Active Learning は、デプロイ済みモデルから本番データを収集し、レビューと再学習のために表示します。モデルが本番環境で推論を実行すると、Active Learning は、設定したルール（例: 低信頼度の予測や特定のクラス）に基づいて画像を自動的にサンプリングし、人によるレビューのキューに追加します。
Active Learning にはクラウドデプロイメントが必要です。Annotation Review 機能を含むプランで利用できます。
Project を開き、左サイドバーで「Active Learning」を選択します。
Active Learning をオンに切り替えます。
Active Learning がデータを収集するには、Project に学習済みモデルとアクティブなクラウドデプロイメントが必要です。
Active Learning には、収集上限と条件の 2 つの設定カテゴリがあります。
Active Learning が収集するデータ量を制御します:
サンプリング率: サンプリングする推論の割合（例: 0.5%）
1分ごと、1時間ごと、1日ごとの画像上限
圧縮レベルと最大画像サイズ
バッチ再作成頻度（毎日、毎週、毎月、またはなし）
収集した画像とともにモデル予測を保持するかどうか
これらの設定を編集するには、「収集上限」セクションの「Edit」をクリックし、設定モーダルで値を更新します。
条件は、どの画像を収集するかをフィルタリングします。モデルの種類に基づいてルールを定義できます:
信頼度のしきい値（例: 信頼度が 60% を下回る画像を収集）
特定の関心クラス
検出数の要件
条件を設定するには、「条件」セクションの「Edit」をクリックします。
Active Learning が画像を収集すると、Active Learning ページの Images セクションに表示されます。このページでは、レビュー可能な画像数と、現在レビュー中の画像数が表示されます。
レビューを開始するには:
「Review Images」をクリックしてレビューキューを開きます。
ステータス（Not Started、In Progress）でバッチを閲覧し、作成日、画像数、または進捗で並べ替えます。
バッチを選択してレビューを開始します。
レビュー作業をチーム全体に分配できます:
レビューキューを開き、バッチを選択します。
クリックしてレビュアーを割り当てます。
チームメンバーを選択し、割り当てる画像数を設定して、必要に応じてレビュー指示を追加します。
「Shuffle Images」を切り替えて、各レビュアーに配布される画像をランダム化します。
画像が割り当てられると、レビュアーに通知されます。画像はいつでも別のレビュアーに再割り当てできます。
一般的なワークフロー:
モデルを学習してデプロイします。
ユースケースに合わせて条件を調整し、Active Learning を有効にします。
条件に一致する本番データが収集され、キューに追加されます。
レビュアーが収集された画像にラベルを付けます。
レビュー済みの画像をデータセットに追加して再学習し、モデルを改善します。
これにより、モデルが最も苦手なケースで改善されるフィードバックループが作られます。
Active Learning は、 Project Deploy API を通じてプログラムで管理できます。API を使用すると、Active Learning の有効化/無効化、収集上限とフィルターの更新、収集済み画像の一覧表示ができます。
最終更新
役に立ちましたか？
役に立ちましたか？