Zurück zum Glossar

Zero-Shot-Learning: Neue Klassen erkennen ohne Trainingsdaten

Zero-Shot-Learning (ZSL) ermöglicht es KI-Modellen, Vorhersagen für Kategorien zu treffen, die sie während des Trainings nie gesehen haben. Das unterscheidet diesen Ansatz grundlegend von klassischen ML-Methoden, die für jede Zielkategorie umfangreiche gelabelte Datensätze voraussetzen. Besonders relevant wird ZSL dort, wo Anforderungen sich schnell ändern oder eine vollständige Klassenliste vorab kaum definierbar ist.

‍

Was ist Zero-Shot-Learning?

Zero-Shot-Learning ist eine Methode des maschinellen Lernens, bei der ein Modell auch „ungesehene" Klassen oder Konzepte erkennt. Statt für jede neue Kategorie eigene Trainingsdaten zu benötigen, nutzt das Modell vorhandenes, allgemeines Wissen und überträgt es auf neue Aufgaben.

Der Kern des Ansatzes liegt in der Verwendung von Einbettungen (Embeddings): Konzepte werden als numerische Vektoren im semantischen Raum dargestellt. So werden Beziehungen zwischen Begriffen für das Modell rechnerisch greifbar. Ein Modell, das „Apfel" und „Birne" als Früchte kennt, kann auf dieser Basis auch „Orange" als Frucht einordnen – ohne diese Kategorie explizit trainiert zu haben.

Wie funktioniert Zero-Shot-Learning?

ZSL baut auf vortrainierten Modellen und Transfer-Lernen auf. Ein Modell wird zunächst mit großen Datenmengen vortrainiert und nutzt dieses Vorwissen anschließend, um neue Aufgaben ohne spezifisches Nachtraining zu bearbeiten. Dabei werden Gemeinsamkeiten zwischen Konzepten im semantischen Raum genutzt, um die Verbindung zu neuen, unbekannten Klassen herzustellen.

Im multimodalen Kontext funktioniert das konkret so: Ein Erkennungsmodell wird mit einem Text-Encoder gekoppelt. Das Bild wird durch visuelle Merkmale repräsentiert, die Zielklassen über semantische Vektoren aus Textbeschreibungen. Stimmen Bildmerkmale und semantische Beschreibung überein, gibt das Modell eine Zero-Shot-Vorhersage aus. Im Ultralytics-Ökosystem setzt YOLOWorld genau dieses Prinzip um: Nutzer definieren Klassen zur Laufzeit per Textbefehl, ohne das Modell neu trainieren zu müssen.

Vorteile von Zero-Shot-Learning

  • Kein zusätzlicher Trainingsaufwand: Neue Daten müssen weder gesammelt noch neue Modelle trainiert werden.
    •  
  • Schnellere Einsatzbereitschaft: ZSL-Modelle können bei veränderten Anforderungen direkt eingesetzt werden.
    •  
  • Flexibilität bei offenen Klassenlisten: Besonders geeignet, wenn sich Zielkategorien dynamisch ändern oder vorab nicht vollständig festlegbar sind.

Praxisbeispiele und Anwendungsfälle

Sprachverarbeitung (NLP): ZSL wird für automatische Übersetzungen in neue Sprachen oder für das Beantworten von Fragen zu Themen eingesetzt, die das Modell nicht gezielt trainiert hat.

Bilderkennung: Ein Modell, das Hunde und Katzen unterscheiden kann, lässt sich über semantische Gemeinsamkeiten auch auf Löwen oder Tiger anwenden – ohne Trainingsbilder dieser Tiere.

Medizin: Bei seltenen Krankheiten fehlen oft spezialisierte Trainingsdaten. ZSL nutzt Beschreibungen häufigerer Erkrankungen und Fachwissen zu seltenen Symptomen, um relevante Muster zu identifizieren.

Naturschutz und Landwirtschaft: Gefährdete Arten lassen sich anhand attributbasierter Beschreibungen erkennen, ohne dass für jede Art eigene Bilddatensätze vorliegen müssen.

Abgrenzung zu verwandten Konzepten

Few-Shot-Learning (FSL) nutzt typischerweise 1–5 Trainingsbeispiele der Zielklasse. Zero-Shot-Learning kommt dagegen vollständig ohne Beispiele der Zielklasse aus. Einmaliges Lernen ist eine Teilmenge von FSL, bei der exakt ein Beispiel verwendet wird. Transfer-Lernen ist der übergeordnete Begriff; ZSL gilt als spezialisierte Form davon, bei der die Übertragung auf ungesehene Klassen über semantische Attribute und Einbettungen erfolgt.

Fazit

Zero-Shot-Learning reduziert die Abhängigkeit von umfangreichen, gelabelten Datensätzen und ermöglicht schnellere Anpassungen an neue Anforderungen. Die Genauigkeit variiert jedoch je nach Problemstellung – insbesondere im Vergleich zu Modellen, die gezielt auf die jeweiligen Zielklassen trainiert wurden. Für Szenarien mit dynamischen oder schwer vorhersehbaren Klassenlisten bleibt ZSL ein praxisrelevanter Ansatz.