الضبط الدقيق

كيفية عمل الضبط الدقيق

تبدأ العملية عادةً باختيار نموذج مدرب مسبقًا، مثل نموذج Ultralytics YOLO مدرّب على مجموعة بيانات واسعة مثل COCO أو ImageNet. هذه النماذج، التي غالباً ما تكون الشبكات العصبية التلافيفية (CNNs) للرؤية أو المحولات لبرمجة اللغة العصبية، قد تعلمت بالفعل التعرف على السمات العامة من بيانات التدريب الأولية. أثناء الضبط الدقيق، يتم تعديل أوزان النموذج - المعلماتالتي تم تعلمها أثناء التدريب - بناءً على مجموعة البيانات الجديدة الأصغر. في كثير من الأحيان، يتم الاحتفاظ بالطبقات الأولية للشبكة (التي تتعلم ميزات عامة مثل الحواف أو القوام) "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. يمكنك العثور على مزيد من التفاصيل حول الآليات في مصادر مثل دورة fast.ai التدريبية.

لماذا نستخدم الضبط الدقيق؟

يوفر الضبط الدقيق العديد من المزايا الرئيسية:

• تقليل وقت التدريب: البدء بنموذج مُدرَّب مسبقًا يقلل بشكل كبير من الوقت اللازم مقارنةً بالتدريب من الصفر، حيث إن النموذج يفهم بالفعل الأنماط الأساسية.
• متطلبات بيانات أقل: يمكن للضبط الدقيق أن يحقق نتائج جيدة في كثير من الأحيان حتى مع وجود بيانات محدودة خاصة بالمهام، حيث أنه يعتمد على المعرفة الواسعة المكتسبة من مجموعة البيانات الأولية الكبيرة. وغالباً ما تستضيف منصات مثل Kaggle مسابقات يكون فيها الضبط الدقيق استراتيجية رئيسية.
• تحسين الأداء: من خلال الاستفادة من الميزات المستفادة من مجموعات البيانات الكبيرة، يمكن أن يؤدي الضبط الدقيق إلى دقة أعلى وتعميم أفضل في المهمة المستهدفة، خاصةً عندما تكون مجموعة البيانات المستهدفة صغيرة.
• سهولة الوصول: يجعل النماذج الحديثة في متناول الممارسين الذين قد لا يملكون الموارد الحاسوبية الضخمة المطلوبة للتدريب الأولي المسبق. Hugging Face مستودعاً هائلاً من النماذج المدربة مسبقاً والجاهزة للضبط الدقيق.

استكشف نصائح إضافية للتدريب على النماذج لتحسين العملية.

الضبط الدقيق مقابل المفاهيم ذات الصلة

من المهم التمييز بين الضبط الدقيق ومفاهيم التعلم الآلي المماثلة:

• نقل التعلّم: هذا مفهوم واسع النطاق حيث يتم تطبيق المعرفة المكتسبة من مهمة واحدة على مهمة مختلفة ولكن ذات صلة. الضبط الدقيق هو طريقة محددة لنقل التعلّم حيث يتم تدريب (تعديل) أوزان النموذج المدرّب مسبقًا على بيانات المهمة الجديدة. قد تتضمن طرق تعلم النقل الأخرى استخدام النموذج لاستخراج السمات فقط. تعلم المزيد من المصادر مثل دورة التعلم الآلي لأندرو نغ.
• استخراج الميزات: في هذا النهج، يتم استخدام النموذج المُدرّب مسبقًا (غالبًا مع إزالة طبقاته النهائية) كمستخرج ميزات ثابت. ثم يتم تغذية المخرجات (الميزات) في نموذج جديد، عادةً ما يكون أبسط (مثل SVM أو شبكة عصبية صغيرة) يتم تدريبه من الصفر على مجموعة البيانات الجديدة. على عكس الضبط الدقيق، لا يتم عادةً تحديث أوزان النموذج الرئيسي المدرّب مسبقًا.
• ضبط البارامتر الفائق: يتضمن ذلك إيجاد المجموعة المثلى من المعلمات الفائقة (على سبيل المثال، معدل التعلم، وحجم الدفعة، وعدد الحقب، وخيارات بنية الشبكة) قبل بدء عملية التدريب أو الضبط الدقيق. يعمل على تحسين تكوين عملية التعلم، بينما يعمل الضبط الدقيق على تحسين أوزان النموذج بناءً على البيانات. تعمل أدوات مثل Ultralytics Tuner على أتمتة عمليات البحث عن المعلمات الفائقة.

التطبيقات الواقعية

يُستخدم الضبط الدقيق على نطاق واسع في مختلف المجالات:

• تحليل الصور الطبية: يمكن ضبط نموذج الرؤية الذي تم تدريبه مسبقاً على ImageNet على مجموعة بيانات أصغر من الأشعة السينية أو الأشعة المقطعية للكشف عن حالات معينة مثل الالتهاب الرئوي أو أورام الدماغ. ويستفيد هذا من قدرة النموذج المكتسبة على التعرف على الأشكال والقوام للتشخيص الطبي. غالبًا ما يتم نشر الأبحاث في هذا المجال على منصات مثل arXiv.
• كشف الكائنات المتخصصة: يمكن ضبط كاشف عام للأشياء مثل YOLO الذي تم تدريبه مسبقًا على COCO، لتحديد عناصر معينة في بيئات متخصصة، مثل أنواع معينة من العيوب في الذكاء الاصطناعي في مراقبة جودة التصنيع، أو أنواع حيوانات معينة للحفاظ على الحياة البرية.
• روبوتات المحادثة المخصصة وتحليل النصوص: يمكن ضبط النماذج اللغوية الكبيرة مثل BERT (الموضحة في مدونةGoogle للذكاء الاصطناعي) أو GPT-3 من OpenAI على مستندات خاصة بالشركة أو سجلات خدمة العملاء لإنشاء أنظمة متخصصة للإجابة على الأسئلة أو إجراء تحليل دقيق للغاية للمشاعر في صناعات محددة. تُعد مجموعة ستانفورد للبرمجة اللغوية العصبية مساهماً رئيسياً في أبحاث البرمجة اللغوية العصبية.

استكشف المزيد من التطبيقات داخل مجتمع الرؤية الحاسوبية.

الضبط الدقيق لنماذجYOLO بـ Ultralytics

توفر Ultralytics دعمًا قويًا لضبط نماذج YOLO الخاصة بها. يمكن للمستخدمين بسهولة تحميل أوزان مدربة مسبقًا (على سبيل المثال، من النماذج المدربة على COCO) ومواصلة التدريب على مجموعة البيانات المخصصة 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. تعمل المنصات مثل Ultralytics HUB على تبسيط عملية التدريب المخصص. 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 تخصص التعلم العميق في كورسيرا ومواقع مثل Papers with Code أو Distill.pub للحصول على رؤى بحثية.