تجميع

التعلم الجماعي هو استراتيجية قوية في التعلم الآلي (ML) حيث يتم دمج عدة نماذج مستقلة، يشار إليها غالبًا باسم "المتعلمين الضعفاء"، لإنتاج ناتج تنبؤي واحد . الفرضية الأساسية هي أن مجموعة من النماذج يمكنها غالبًا تحقيق دقة أعلى وتعميم أفضل من أي نموذج فردي يعمل بمفرده. من خلال تجميع التنبؤات من خوارزميات متنوعة، تقلل طرق المجموعة بشكل فعال من مخاطر التكيف المفرط مع بيانات التدريب، وتخفف الأخطاء العشوائية، وتحسن استقرار النظام بشكل عام. هذا النهج مشابه لاستشارة لجنة من الخبراء بدلاً من الاعتماد على رأي فرد واحد لاتخاذ قرار حاسم.

آليات التعلم الجماعي

تكمن فعالية طرق التجميع في قدرتها على التعامل مع المفاضلة بين التحيز والتباين. قد تعاني النماذج الفردية من تباين كبير (حساسية للضوضاء) أو تحيز كبير (تبسيط مفرط). يقلل التجميع من هذه المشكلات من خلال تقنيات محددة:

• التجميع (Bootstrap Aggregating): تتضمن هذه التقنية تدريب عدة حالات من نفس الخوارزمية على مجموعات فرعية مختلفة من مجموعة البيانات. أشهر مثال على ذلك هو خوارزمية Random Forest، التي تجمع قرارات العديد من أشجار القرار لتقليل التباين.
• التعزيز: على عكس التجميع، يقوم التعزيز بتدريب النماذج بشكل متسلسل. يركز كل نموذج جديد على تصحيح الأخطاء التي ارتكبتها النماذج السابقة. تستخدم الأطر الشائعة مثل LightGBM و CatBoost هذا لإنشاء أنظمة تنبؤية عالية الدقة .
• التكديس (التعميم المكدس): يتضمن ذلك تدريب "نموذج ميتا" جديد لدمج تنبؤات عدة نماذج أساسية غير متجانسة (على سبيل المثال، شبكة عصبية و آلة دعم المتجهات).

التجميع في الرؤية الحاسوبية

في مجال الرؤية الحاسوبية (CV)، تُستخدم المجموعات بشكل متكرر لتعظيم الأداء في المسابقات وتطبيقات السلامة الحرجة. بالنسبة لاكتشاف الكائنات، غالبًا ما يتطلب ذلك تشغيل نماذج متعددة — مثل إصدارات مختلفة من YOLO26— على نفس الصورة. ثم يتم دمج المربعات المحيطة الناتجة باستخدام تقنيات مثل Non-Maximum Suppression (NMS) أو Weighted Box Fusion (WBF) لاستخلاص مواقع الكائنات الأكثر احتمالًا.

تطبيقات واقعية

تستخدم طرق المجموعات على نطاق واسع في الصناعات التي تعتبر فيها موثوقية التنبؤات أمراً بالغ الأهمية.

1. التشخيصdetect والتصوير: في مجال الرعاية الصحية، من الضروري تجنب النتائج السلبية الخاطئة. قد يجمع أحد المجموعات بين شبكة عصبية تلافيفية (CNN) مدربة على الأشعة السينية و محول الرؤية (ViT) لاكتشاف الشذوذات. يوفر التوافق بين النماذج درجة ثقة أعلى، مما يساعد أطباء الأشعة في اكتشافالأورام أو تشخيص الحالات النادرة.
2. كشف الاحتيال المالي: تستخدم المؤسسات المالية مجموعات لتحليل أنماط المعاملات. من خلال الجمع بين نماذج الانحدار اللوجستي وآلات تعزيز التدرج ، يمكن للنظام detect المؤشرات الدقيقة للاحتيال التي قد تفوت نموذجًا واحدًا، مع الحفاظ على معدلات الإنذارات الكاذبة منخفضة.

تنفيذ نموذج التجميع باستخدام Python

يمكنك محاكاة مجموعة استدلال أساسية عن طريق تحميل عدة نماذج مدربة وإنشاء تنبؤات لنفس المدخلات. تتيح لك Ultralytics تدريب هذه المتغيرات بسهولة. يوضح المثال التالي تحميل نموذجين مختلفين Ultralytics YOLO (YOLO26n و YOLO26s) للتحقق من عمليات الكشف على صورة.

from ultralytics import YOLO

# Load two distinct YOLO26 model variants
# 'n' (nano) is faster, 's' (small) is more accurate
model_nano = YOLO("yolo26n.pt")
model_small = YOLO("yolo26s.pt")

# Define the image source
source = "https://ultralytics.com/images/bus.jpg"

# Run inference with both models
results_n = model_nano(source)
results_s = model_small(source)

# Compare the number of objects detected by each model
print(f"Nano Model Found: {len(results_n[0].boxes)} objects")
print(f"Small Model Found: {len(results_s[0].boxes)} objects")

المجموعة مقابل زيادة البيانات

من المهم التمييز بين التعلم الجماعي و زيادة البيانات.

• يركز Ensemble على مرحلة الهندسة والتوقع، حيث يجمع بين عدة نماذج متميزة مدربة لتحسين النتائج.
• يركز توسيع البيانات على مرحلة تدريب البيانات ، حيث يزيد بشكل مصطنع من تنوع مجموعة البيانات (على سبيل المثال، عن طريق التدوير أو القلب) لتدريب نموذج واحد أكثر قوة.

بينما تساعد زيادة البيانات نموذجًا واحدًا على التعلم بشكل أفضل، يساعد التعلم الجماعي نماذج متعددة على التحقق من مخرجات بعضها البعض . غالبًا ما تُستخدم كلتا الاستراتيجيتين معًا لتحقيق نتائج متطورة في مهام مثل تجزئة الحالات وتقدير الوضعيات .