+++ title = “Prenosové učenie” description = “Prenosové učenie aplikuje poznatky z modelu predtrénovaného na veľkých všeobecných datasetoch (ImageNet 1,2M obrázkov, DINOv3 na 1,7B obrázkoch) na špecializované úlohy kontroly infraštruktúry s obmedzeným množstvom označených údajov, ako je detekcia trhlín, klasifikácia defektov a hodnotenie stavu vozovky. Výrazne znižuje množstvo tréningových údajov potrebných pre konkrétnu úlohu.” keywords = [ “prenosové učenie”, “predtrénovaný model”, “kostra”, “dolaďovanie”, “extrakcia vlastností”, “predtrénovanie”, “nadväzujúca úloha”, “adaptácia modelu”, “základný model”, “DINOv3”, “ImageNet”, “transformér videnia”, “detekcia trhlín”, “kontrola infraštruktúry”, “index stavu vozovky” ] shortDescription = “Prenosové učenie je paradigma strojového učenia, ktorá znovu používa model predtrénovaný na rozsiahlych datasetoch ako východiskový bod pre špecializovanú úlohu, čo umožňuje presnú detekciu defektov infraštruktúry s 10-200x menej označenými údajmi ako trénovanie od nuly.” tags = [ “Technológia”, “Strojové učenie”, “Hlboké učenie”, “Trénovanie” ] glossaryTitle = “Čo je prenosové učenie pre modely kontroly infraštruktúry?” glossaryDescription = “Prenosové učenie je paradigma strojového učenia, v ktorej sa model vyvinutý pre jednu úlohu znovu používa ako východiskový bod pre model na druhej, súvisiacej úlohe. V počítačovom videní pre kontrolu infraštruktúry to zvyčajne zahŕňa použitie neurónovej siete predtrénovanej na veľkom, všeobecnom datasete (ImageNet s 1,2 miliónmi obrázkov v 1 000 triedach, alebo Meta DINOv3 trénovaný na 1,7 miliardy obrázkov) a jej adaptáciu na detekciu trhlín, odlupovania, gumových usadenín a iných defektov vozovky s použitím malej časti údajov, ktoré by boli potrebné na trénovanie od nuly.” showCTA = true ctaHeading = “Nasadenie predtrénovaných modelov kontroly” ctaDescription = “Prenosová pipeline TarmacView začína so zmrazenou kostrou DINOv3, aplikuje riadené kontrastívne dolaďovanie a trénuje hlavy špecifické pre úlohu na detekciu trhlín, klasifikáciu defektov a odhad PCI — dosahuje 75-85% mIoU s menej ako 1 000 označenými snímkami dráhy.” ctaPrimaryText = “Kontaktujte nás” ctaPrimaryURL = “/contact/” ctaSecondaryText = “Dohodnúť si demo” ctaSecondaryURL = “/demo/”

[[faq]] question = “Čo je prenosové učenie v počítačovom videní?” answer = “Prenosové učenie je technika strojového učenia, pri ktorej sa model natrénovaný na veľkom, všeúčelovom datasete znovu používa ako východiskový bod pre model na špecializovanejšej úlohe. V počítačovom videní je štandardným prístupom použitie neurónovej siete predtrénovanej na ImageNet (1,2 milióna obrázkov v 1 000 kategóriách objektov) alebo samoriadeného modelu ako DINOv3 (trénovaného na 1,7 miliardy obrázkov) a jej dolaďovanie na menšom datasete špecifickom pre danú úlohu. Predtrénovaný model sa naučil všeobecné vizuálne vlastnosti — hrany, textúry, tvary, farebné škvrny — ktoré sa prenášajú prakticky do akejkoľvek vizuálnej domény. Pre kontrolu infraštruktúry prenosové učenie znižuje požiadavku na údaje z 50 000+ označených obrázkov na len 200 – 1 000 obrázkov, pričom zachováva alebo prevyšuje presnosť modelu trénovaného od nuly.”

[[faq]] question = “Ako prenosové učenie znižuje požiadavky na údaje pri kontrole infraštruktúry?” answer = “Prenosové učenie znižuje požiadavky na údaje 10-200x v porovnaní s trénovaním od nuly. Model segmentácie trhlín trénovaný od nuly vyžaduje odhadom 50 000 – 100 000 obrázkov s pixelovou úrovňou označenia na dosiahnutie prijateľnej presnosti. S prenosovým učením z predtrénovanej kostry ImageNet dosahuje 1 000 – 2 000 označených obrázkov 60-70% mIoU pri segmentácii defektov dráhy. So samoriadeným predtrénovaním DINOv3 (1,7B obrázkov) dosahuje zmrazená kostra s lineárnou sondou na 200 označených obrázkoch 55-65% mIoU a dolaďovanie na 500 – 1 500 obrázkoch dosahuje 70-80% mIoU.”

[[faq]] question = “Aký je rozdiel medzi prenosovým učením, dolaďovaním a adaptáciou domény?” answer = “Prenosové učenie je široká paradigma opätovného využitia poznatkov z jednej úlohy alebo domény v inej. Dolaďovanie je najbežnejšia technika prenosového učenia, pri ktorej sa predtrénované váhy upravujú na cieľových údajoch, čiastočne alebo úplne. Adaptácia domény je podkategória prenosového učenia, kde úloha zostáva rovnaká, ale mení sa distribúcia údajov — napríklad adaptácia detektora trhlín na asfalte na betónové dráhy.”

[[faq]] question = “Čo je DINOv3 a prečo je dôležitý pre kontrolu infraštruktúry?” answer = “DINOv3 (Distillation with No Labels, verzia 3) je najmodernejší samoriadený vizuálny model od Meta, trénovaný na 1,7 miliardy kurátorských obrázkov (dataset LVD-1689M). Používa architektúru Vision Transformer (ViT) s až 7 miliardami parametrov a bol trénovaný bez akýchkoľvek ľudských anotácií. DINOv3 je kľúčový pre kontrolu infraštruktúry, pretože vytvára výnimočne silné husté vlastnosti — každý patche obrázka nesie sémanticky zmysluplnú informáciu aj bez dolaďovania — a podporuje vstupy s vysokým rozlíšením až do 4K+, čo zodpovedá požiadavkám snímok z UAV kontroly.”

[[faq]] question = “Ako funguje zmrazovanie kostry v prenosovom učení?” answer = “Zmrazovanie kostry zabraňuje aktualizácii váh vybraných vrstiev počas trénovania. Pre zmrazené vrstvy sa nevypočítavajú gradienty a ich váhy zostávajú fixné, zatiaľ čo len nezmrazené vrstvy a hlava špecifická pre úlohu sa učia z nových údajov. Bežné stratégie zmrazovania zahŕňajú: úplné zmrazenie kostry (trénovanie len hlavy, najlepšie pre malé datasety), fázové zmrazenie (zmrazenie skorých vrstiev, dolaďovanie neskorších vrstiev), postupné odmrazovanie (postupné odmrazovanie zhora nadol) a úbytkové rýchlosti učenia na úrovni vrstiev (Layer-wise Learning Rate Decay, LLRD), kde všetky vrstvy trénujú s rôznymi rýchlosťami učenia.”

[[faq]] question = “Čo je riadené kontrastívne učenie a ako zlepšuje prenosové učenie?” answer = “Riadené kontrastívne učenie (Supervised Contrastive Learning, SupCon), predstavené Khoslom a kol. na NeurIPS 2020, rozširuje samoriadené kontrastívne prístupy na riadené prostredie. Loss funkcia priťahuje všetky vzorky rovnakej triedy k sebe vo vkladacom priestore, zatiaľ čo odtláča vzorky z rôznych tried od seba. V TarmacView sa SupCon aplikuje po predtrénovaní DINOv3 na vytvorenie triedne štruktúrovaných vlastností z označených údajov dráhy pred trénovaním segmentačných hláv špecifických pre úlohu.”

[[faq]] question = “Aké sú požiadavky na údaje pre prenosové učenie pri detekcii trhlín na vozovke?” answer = “Požiadavky na údaje sa dramaticky líšia v závislosti od stratégie prenosového učenia. Zmrazená kostra DINOv3 s lineárnou sondou vyžaduje len 200 – 500 označených obrázkov a dosahuje 55-65% mIoU. Dolaďovanie horných 50% ViT blokov na 500 – 1 500 obrázkoch dosahuje 70-80% mIoU. Pridanie predtrénovania v doméne ciest pred dolaďovaním na dráhu s 200 – 1 000 obrázkami a riadeným kontrastívnym učením dosahuje 75-85% mIoU. Trénovanie od nuly vyžaduje odhadom 50 000 – 100 000 označených obrázkov.”

[[faq]] question = “Čo je doménová medzera a ako ovplyvňuje prenosové učenie pre kontrolu dráh?” answer = “Doménová medzera je štatistický rozdiel medzi doménou predtrénovania (typicky prirodzené obrázky z ImageNet) a cieľovou doménou kontroly infraštruktúry (povrchy vozoviek, trhliny, značenie dráh). Datasety defektov vozovky majú 2-3x väčšiu Frechet Inception Distance (FID) od ImageNet ako štandardné datasety jemnozrnnej klasifikácie. Mitigačné stratégie zahŕňajú predtrénovanie v strednej doméne na datasetoch ciest, samoriadené pokračujúce predtrénovanie na neoznačených snímkach dráh a augmentáciu údajov pre preklenutie medzery.”

[[faq]] question = “Ako TarmacView implementuje prenosové učenie?” answer = “TarmacView implementuje trojstupňovú pipeline prenosového učenia. Stupeň 1 používa zmrazenú kostru DINOv3 Vision Transformer predtrénovanú na 1,7 miliardy obrázkov. Stupeň 2 aplikuje riadené kontrastívne učenie (SupCon) dolaďovanie na označených údajoch defektov dráh. Stupeň 3 trénuje hlavy špecifické pre úlohu pre pixelovú sémantickú segmentáciu a odhad indexu stavu vozovky (PCI). Táto pipeline dosahuje 75-85% mIoU s 200 – 1 000 označenými snímkami dráhy.”

[[faq]] question = “Aké sú najlepšie postupy pre prenosové učenie pri kontrole infraštruktúry?” answer = “Najlepšie postupy zahŕňajú: začnite so zmrazenou kostrou a lineárnou sondou na stanovenie základnej línie; používajte postupné odmrazovanie zhora nadol; aplikujte úbytkové rýchlosti učenia na úrovni vrstiev (LLRD); používajte dvojstupňové dolaďovanie (ImageNet na Cesty na Dráhu), keď sú k dispozícii datasety ciest; konzistentne normalizujte všetky obrázky; aplikujte stochastickú hĺbku ako regularizáciu počas dolaďovania; konvertujte obrázky na odtiene sivej pri prenose medzi typmi povrchov; a zbierajte neoznačené snímky dráh pre samoriadené pokračujúce predtrénovanie.”

[[faq]] question = “Ako súvisí prenosové učenie s normami ICAO a FAA pre kontrolu dráh?” answer = “ICAO Annex 14 stanovuje globálne normy vyžadujúce pravidelné hodnotenie stavu vozovky. ICAO Doc 9137 definuje postupy údržby a kontroly vozoviek. Rámec indexu stavu vozovky (PCI) podľa ASTM D5340 je priemyselným štandardom pre hodnotenie stavu letiskových vozoviek. Pracovný dokument ICAO Assembly 42 WP/173 (SkyInspect360) navrhuje integráciu AI a strojového učenia pre kontrolu dráh. Prenosové učenie umožňuje systémom kontroly založeným na AI dosiahnuť presnosť segmentácie potrebnú pre spoľahlivý odhad PCI.”

[[lnks]] text = “Adaptácia domény” path = “/glossary/domain-adaptation/” title = “Adaptácia domény je podkategória prenosového učenia, ktorá rieši štatistický nesúlad medzi tréningovou a nasadzovacou doménou.”

[[lnks]] text = “Strojové učenie” path = “/glossary/machine-learning/” title = “Strojové učenie poskytuje základné algoritmy pre automatizovanú kontrolu vozoviek a detekciu defektov.”

[[lnks]] text = “Hlboké učenie” path = “/glossary/deep-learning/” title = “Hlboké učenie používa viacvrstvové neurónové siete na učenie sa hierarchických vlastností z obrázkov vozoviek pre detekciu defektov.”

[[lnks]] text = “Dolaďovanie” path = “/glossary/fine-tuning/” title = “Dolaďovanie adaptuje predtrénované modely na nové úlohy pokračujúcim trénovaním na údajoch špecifických pre danú úlohu s upravenými rýchlosťami učenia.”

[[lnks]] text = “Trénovanie” path = “/glossary/training/” title = “Trénovanie optimalizuje parametre neurónovej siete pomocou označených údajov, pričom prenosové učenie dramaticky znižuje množstvo potrebných údajov.”

[[lnks]] text = “Riadené kontrastívne učenie” path = “/glossary/supervised-contrastive-learning/” title = “Riadené kontrastívne učenie vytvára štruktúrované vkladacie priestory, ktoré zlepšujú výkon prenosového učenia.”

[[lnks]] text = “Rozšírenie údajov” path = “/glossary/data-augmentation/” title = “Rozšírenie údajov zväčšuje diverzitu tréningových údajov, čím dopĺňa prenosové učenie pre lepšiu generalizáciu modelu.”

[[lnks]] text = “Vkladací priestor” path = “/glossary/embedding-space/” title = “Vkladacie priestory reprezentujú vizuálne vlastnosti ako vektory, pričom prenosové učenie zosúlaďuje tieto priestory naprieč doménami.”