قم بضبط نماذج التعلم الآلي مثل Ultralytics YOLO لمهام محددة. تعرّف على الأساليب والتطبيقات وأفضل الممارسات هنا!
الضبط الدقيق هو أسلوب شائع في التعلم الآلي (ML) يتضمن أخذ نموذج تم تدريبه بالفعل على مجموعة بيانات كبيرة (نموذج مُدرَّب مسبقًا) وتدريبه على مجموعة بيانات أصغر ومحددة ذات صلة بمهمة معينة. ويستفيد هذا النهج من المعرفة العامة التي تعلمها النموذج أثناء تدريبه الأولي، وتكييفه للتفوق في مجال أكثر تخصصًا دون الحاجة إلى تدريب نموذج من الصفر، مما يوفر الكثير من الوقت والموارد الحاسوبية. وهي ممارسة شائعة في مجالات مثل الرؤية الحاسوبية ومعالجة اللغات الطبيعية.
تبدأ العملية عادةً باختيار نموذج مدرب مسبقًا، مثل نموذج Ultralytics YOLO مدرّب على مجموعة بيانات واسعة مثل COCO. وقد تعلمت هذه النماذج بالفعل التعرف على السمات العامة من بيانات التدريب الأولية. أثناء الضبط الدقيق، يتم تعديل أوزان النموذج بناءً على مجموعة البيانات الجديدة الأصغر حجمًا. في كثير من الأحيان، يتم الاحتفاظ بالطبقات الأولية للشبكة (التي تتعلم السمات العامة) "مجمدة" (لا يتم تحديث أوزانها)، بينما يتم إعادة تدريب الطبقات اللاحقة الأكثر تحديدًا للمهام. عادةً ما تتضمن إعادة التدريب هذه استخدام معدل تعلم أقل من المستخدم في التدريب الأصلي لإجراء تعديلات أصغر على الأوزان، مع الحفاظ على المعرفة المكتسبة سابقًا مع التكيف مع الفروق الدقيقة للمهمة الجديدة.
من المهم التمييز بين الضبط الدقيق ومفاهيم التعلم الآلي المماثلة:
يوفر الضبط الدقيق العديد من المزايا:
يُستخدم الضبط الدقيق على نطاق واسع في مختلف المجالات:
توفر Ultralytics دعمًا قويًا لضبط نماذج YOLO الخاصة بها. يمكن للمستخدمين تحميل الأوزان المدربة مسبقًا بسهولة (على سبيل المثال، من النماذج المدربة على ImageNet أو COCO) ومواصلة التدريب على مجموعات البيانات الخاصة بهم لمهام مثل الكشف أو التجزئة أو التصنيف. تقدم وثائقUltralytics أدلة مفصلة حول عملية التدريب، مما يتيح للمستخدمين تكييف أحدث النماذج مثل YOLO11 لمواجهة تحديات الرؤية الحاسوبية الخاصة بهم. هذه القدرة على التكيف هي المفتاح لتحقيق الأداء الأمثل في تطبيقات متنوعة، من الذكاء الاصطناعي في الزراعة إلى الروبوتات. يمكن العثور على مزيد من المعلومات حول تقنيات التعلُّم المنقول على منصات تعليمية مثل كورسيرا.