اكتشف كيف يعمل التقليم على تحسين نماذج الذكاء الاصطناعي من خلال تقليل الحجم مع الحفاظ على الدقة، مما يتيح أداءً أسرع وفعالاً للتطبيقات الواقعية.
التقليم هو تقنية في التعلم الآلي تُستخدم لتقليل حجم الشبكات العصبية عن طريق إزالة الأوزان غير الضرورية أو الخلايا العصبية بأكملها التي تساهم بالحد الأدنى في أداء النموذج. وتساعد هذه العملية على تبسيط النموذج، مما يجعله أكثر كفاءة من حيث الحساب والذاكرة واستهلاك الطاقة، مع الحفاظ على مستويات مقبولة من الدقة.
يعد التقليم أمرًا ضروريًا في السيناريوهات التي تكون فيها الموارد الحاسوبية محدودة، مثل الأجهزة المتطورة أو تطبيقات الأجهزة المحمولة أو الأنظمة المدمجة. من خلال التركيز على المكونات الأكثر أهمية في النموذج، يتيح التقليم إمكانية الاستدلال بشكل أسرع، ويقلل من متطلبات التخزين، ويقلل من استهلاك الطاقة. هذه الفوائد ذات قيمة خاصة لنشر النماذج في تطبيقات الوقت الفعلي، مثل تلك التي تعمل بواسطة Ultralytics YOLO للكشف عن الكائنات.
يلعب التقليم أيضًا دورًا مهمًا في تحسين النموذج، حيث يمكن أن يكمل تقنيات مثل تكميم النموذج وضبط المعلمة الفائقة لتحسين الأداء دون الحاجة إلى بيانات إضافية أو إعادة التدريب من الصفر.
يتضمن التقليم عادةً تقييم أهمية الأوزان أو الخلايا العصبية أو الطبقات داخل الشبكة العصبية. يتم استخدام مقاييس مثل حجم الوزن أو المساهمة في الخرج أو الحساسية للخسارة لتحديد المكونات التي يمكن إزالتها بأمان. وبمجرد اكتمال التقليم، يمكن ضبط النموذج بدقة لتعويض أي خسائر طفيفة في الدقة ناتجة عن إزالة العناصر.
هناك ثلاث طرق شائعة للتقليم:
وجد التقليم تطبيقات في مختلف الصناعات وحالات الاستخدام، بما في ذلك:
السيارات ذاتية القيادة: تُستخدم النماذج المشذبة في أنظمة الكشف عن الأجسام وتتبعها في الوقت الفعلي، مما يضمن اتخاذ قرارات سريعة ودقيقة في السيارات ذاتية القيادة. تعرف على المزيد حول الذكاء الاصطناعي في السيارات ذاتية القيادة.
الرعاية الصحية: يتم تنفيذ النماذج المشذبة في أدوات التصوير الطبي لمهام مثل الكشف عن الأورام، حيث تكون الكفاءة الحسابية أمرًا بالغ الأهمية لتقديم التشخيص في الوقت المناسب. استكشف ذلك في الذكاء الاصطناعي في مجال الرعاية الصحية.
الزراعة الذكية: يتيح التقليم تشغيل النماذج خفيفة الوزن على الطائرات بدون طيار أو أجهزة إنترنت الأشياء لمراقبة المحاصيل والكشف عن الآفات. انظر كيف يعمل هذا مع الذكاء الاصطناعي في الزراعة.
الإلكترونيات الاستهلاكية: تستفيد الأجهزة مثل الهواتف الذكية من النماذج المشذبة لميزات مثل التعرف على الوجه أو المساعد الصوتي، والتي تتطلب معالجة سريعة على الجهاز.
في بيئات الحوسبة المتطورة، مثل الطائرات بدون طيار أو أنظمة المراقبة، تُعد النماذج المشذبة ذات قيمة لا تقدر بثمن. على سبيل المثال، يمكن أن يؤدي استخدام تقنيات التقليم على النماذجUltralytics YOLO إلى تقليل حجم النموذج بشكل كبير مع الحفاظ على دقته، مما يتيح اكتشاف الكائنات بشكل أسرع مباشرة على الأجهزة دون الاعتماد على الموارد السحابية.
يتم نشر النماذج المشذبة على نطاق واسع في تطبيقات الأجهزة المحمولة حيث تكون كفاءة الطاقة والتفاعلات السريعة للمستخدم من الأولويات. على سبيل المثال، تستخدم تطبيقات الأجهزة المحمولة التي تستخدم الذكاء الاصطناعي للواقع المعزز أو الترجمة في الوقت الفعلي إصدارات مشذبة من نماذج التعلم العميق لضمان سلاسة الأداء.
في حين يركز التقليم على تقليل حجم النموذج المدرّب، فإنه يختلف عن التقنيات ذات الصلة مثل التكميم الكمي للنموذج أو التقطير المعرفي. حيث يقلل التكميم من دقة أوزان النموذج (على سبيل المثال، التحويل من 32 بت إلى 8 بت)، بينما ينقل التقطير المعرفي المعرفة من نموذج كبير إلى نموذج أصغر. يمكن دمج هذه التقنيات مع التقليم لزيادة الكفاءة إلى أقصى حد.
يمكن إجراء عملية التقليم يدويًا أو باستخدام أدوات آلية مدمجة في أطر التعلم الآلي مثل PyTorch. بالنسبة للمستخدمين الذين يتطلعون إلى تجربة التقليم، توفر منصات مثل Ultralytics HUB أدوات بديهية لتدريب النماذج وتحسينها، مما يسهل تبسيط سير العمل.
من خلال دمج التقليم في خط أنابيب التعلُّم الآلي الخاص بك، يمكنك إطلاق العنان لإمكانية نشر نماذج ذكاء اصطناعي عالية الأداء وفعالة من حيث الموارد عبر تطبيقات متنوعة.
%25202.png)
%202.png)
