حقبة (Epoch)

تمثل الحقبة دورة كاملة عبر مجموعة بيانات التدريب بأكملها بواسطة خوارزمية التعلم الآلي. خلال هذه العملية، تتاح للنموذج فرصة تحديث معلماته الداخلية استنادًا إلى كل عينة في البيانات مرة واحدة فقط. في سياق التعلم العميق، نادرًا ما يكون المرور الواحد كافيًا للشبكة العصبية لتعلم الأنماط المعقدة بشكل فعال. لذلك، يتضمن التدريب عادةً عدة عصور، مما يسمح لخوارزمية التعلم بتكرار تحسين فهمها وتقليل الخطأ بين تنبؤاتها والحقيقة الفعلية.

دور العصور في التحسين

الهدف الأساسي من التدريب هو تعديل أوزان النموذج لتقليل وظيفة الخسارة المحددة. تستخدم خوارزميات التحسين، مثل الانحدار العشوائي التدرجي (SGD) أو Adam الخطأ المحسوب خلال كل حقبة لتوجيه هذه التعديلات. مع زيادة عدد الحقب، ينتقل النموذج عمومًا من حالة الخطأ العالي (التخمين العشوائي) إلى الخطأ المنخفض (الأنماط المكتسبة).

ومع ذلك، فإن اختيار العدد الصحيح من العصور هو جانب حاسم في ضبط المعلمات الفائقة.

• عدد الحقب الزمنية قليل جدًا: قد يؤدي ذلك إلى عدم ملاءمة النموذج، حيث لم يتمكن النموذج بعد من التقاط الاتجاه الأساسي للبيانات.
• عدد كبير جدًا من العصور: غالبًا ما يؤدي هذا إلى التكيف المفرط، حيث يحفظ النموذج ضوضاء التدريب بدلاً من تعميمها على البيانات الجديدة. لمنع حدوث ذلك، غالبًا ما يراقب المطورون الأداء على بيانات التحقق ويستخدمون تقنيات مثل الإيقاف المبكر لوقف التدريب عندما يتوقف التعميم عن التحسن.

العصر مقابل الدفعة مقابل التكرار

من الشائع أن يخلط المبتدئون بين مصطلح "حقبة" والمصطلحات ذات الصلة. فهم التسلسل الهرمي لهذه المفاهيم أمر ضروري لتكوين حلقات التدريب بشكل صحيح:

• الفترة الزمنية: مرور كامل واحد عبر مجموعة البيانات الكاملة.
• الدفعة: مجموعة فرعية من مجموعة البيانات التي تتم معالجتها في وقت واحد. نظرًا لأن مجموعات البيانات غالبًا ما تكون كبيرة جدًا بحيث لا تتسع في GPU دفعة واحدة، يتم تقسيمها إلى مجموعات أصغر يتم تحديدها حسب حجم الدفعة.
• التكرار: تحديث واحد لأوزان النموذج. إذا كانت مجموعة البيانات تحتوي على 1000 صورة وحجم الدفعة هو 100، فسوف يستغرق الأمر 10 تكرارات لإكمال حقبة واحدة.

تطبيقات واقعية

يختلف عدد الحقب المطلوبة بشكل كبير اعتمادًا على مدى تعقيد المهمة وحجم البيانات.

• تحليل الصور الطبية: في تحليل الصور الطبية، مثل الكشف عن الأورام في فحوصات التصوير بالرنين المغناطيسي، الدقة أمر بالغ الأهمية. غالبًا ما تعمل النماذج المدربة على هذه المهام لمئات من العصور. هذا التدريب المكثف يضمن أن الشبكة العصبية التلافيفية (CNN) يمكنها تمييز الحالات الشاذة الدقيقة التي تميز الأنسجة الخبيثة عن الأنسجة السليمة، مما قد ينقذ الأرواح.
• القيادة الذاتية: بالنسبة للمركبات الذاتية القيادة، يجب أن تحدد نماذج الكشف عن الأجسام بشكل موثوق المشاة واللافتات والمركبات الأخرى. يتطلب تدريب هذه الأنظمة القوية عادةً مجموعات بيانات ضخمة مثل COCO أو Objects365. على الرغم من ضخامة حجم مجموعة البيانات، لا يزال النموذج يتطلب عدة مراحل للتوصل إلى حل يمكن تعميمه بشكل جيد على مختلف الظروف الجوية و ظروف الإضاءة.

إدارة دورات التدريب باستخدام الكود

عند استخدام أطر عمل حديثة مثل Ultralytics YOLO، فإن تحديد عدد الفترات الزمنية هو أمر بسيط في أمر التدريب. يمكن لأدوات مثل Ultralytics أن تساعد في تصور منحنيات الخسارة خلال كل فترة زمنية لتحديد نقطة التوقف المثلى.

يوضح المثال التالي كيفية تعيين عدد العصور عند تدريب نموذج YOLO26:

from ultralytics import YOLO

# Load the YOLO26n model (nano version for speed)
model = YOLO("yolo26n.pt")

# Train the model for 50 epochs
# The 'epochs' argument determines how many times the model sees the entire dataset
results = model.train(data="coco8.yaml", epochs=50, imgsz=640)

في هذا المقتطف، فإن epochs=50 يوجه الحجة محرك التدريب إلى تكرار coco8.yaml مجموعة البيانات 50 مرة مختلفة. خلال كل دورة، يقوم النموذج بما يلي الانتشار الأمامي و الانتشار الخلفي لتحسين قدراتها على الكشف .