الضبط الدقيق

كيفية عمل الضبط الدقيق

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.

الضبط الدقيق مقابل المفاهيم ذات الصلة

من المهم التمييز بين الضبط الدقيق ومفاهيم التعلم الآلي المماثلة:

• نقل التعلّم: الضبط الدقيق هو طريقة محددة ضمن الفئة الأوسع نطاقاً للتعلم التحويلي. يشمل التعلّم التحويلي أي تقنية يتم فيها إعادة استخدام نموذج تم تطويره لمهمة واحدة كنقطة انطلاق لنموذج في مهمة ثانية. في حين أن الضبط الدقيق يعدّل أوزان النموذج المدرّب مسبقًا، قد تستخدم أساليب التعلّم التحويلي الأخرى النموذج المدرّب مسبقًا فقط كمستخرج ميزات ثابتة.
• التدريب من الصفر: يتضمن ذلك تهيئة أوزان النموذج بشكل عشوائي وتدريبه فقط على مجموعة البيانات المستهدفة. وهو يتطلب المزيد من البيانات والقدرة الحاسوبية مقارنةً بالضبط الدقيق، وغالبًا ما لا يؤدي بشكل جيد على مجموعات البيانات الأصغر حجمًا، لأنه يفتقر إلى قاعدة المعرفة العامة للنموذج المُدرَّب مسبقًا. يمكنك العثور على إرشادات حول نصائح تدريب النموذج في وثائقنا.
• ضبط البارامتر الفائق: تركز هذه العملية على إيجاد إعدادات التكوين المثلى (المعلمات الفائقة مثل معدل التعلم، وحجم الدُفعات واختيار المُحسِّن) قبل بدء عملية التدريب. أما الضبط الدقيق، على العكس من ذلك، فهو جزء من عملية التدريب نفسها، حيث يتم تعديل المعلمات الداخلية للنموذج (الأوزان) بناءً على البيانات الجديدة. تعمل أدوات مثل Ultralytics Tuner على أتمتة تحسين المعلمات الفائقة.

لماذا نستخدم الضبط الدقيق؟

يوفر الضبط الدقيق العديد من المزايا:

• تقليل وقت التدريب: الاستفادة من المعرفة الموجودة، مما يتطلب عددًا أقل من فترات التدريب.
• متطلبات بيانات أقل: فعالة حتى مع مجموعات البيانات الأصغر حجماً والمخصصة للمهام لأن النموذج لا يتعلم كل شيء من الصفر.
• تحسين الأداء: غالبًا ما يحقق دقة أعلى في المهام المتخصصة مقارنةً بالنماذج المدربة من الصفر على بيانات محدودة.
• الوصول إلى أحدث البنى المعمارية: يسمح للمستخدمين باستخدام نماذج قوية ومعقدة مثل المحولات أو شبكات CNN المتقدمة دون الحاجة إلى الموارد الضخمة المطلوبة للتدريب الأولي المسبق.

التطبيقات الواقعية

يُستخدم الضبط الدقيق على نطاق واسع في مختلف المجالات:

1. الكشف عن الأجسام المتخصصة: يمكن ضبط نموذج Ultralytics YOLO المدرب مسبقاً على اكتشاف الأجسام العامة باستخدام مجموعة بيانات مخصصة لأجزاء صناعية محددة لإنشاء نظام عالي الأداء للكشف عن العيوب في مجال الذكاء الاصطناعي في التصنيع. وبالمثل، يمكن ضبطه بشكل دقيق لتحليل الصور الطبية للكشف عن حالات معينة مثل أورام الدماغ. يوفر Ultralytics HUB منصة لإدارة مجموعات البيانات وتبسيط عملية التدريب المخصصة هذه.
2. مهام لغوية مخصصة: يمكن ضبط نموذج لغوي كبير مثل GPT-3، الذي تم تدريبه مسبقًا بواسطة OpenAI على نصوص متنوعة على الإنترنت، على مجموعة بيانات من الوثائق القانونية لتحسين أدائه في تلخيص النصوص القانونية أو على نصوص خدمة العملاء للردود المتخصصة على روبوتات الدردشة الآلية. مثال آخر يتضمن ضبط نماذج BERT لمهام تحليل مشاعر محددة على مراجعات المنتجات أو منشورات وسائل التواصل الاجتماعي، كما هو مفصل في موارد مثل مدونةGoogle للذكاء الاصطناعي.

الضبط الدقيق لنماذجYOLO بـ Ultralytics

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.