مسرد المصطلحات

نقل التعلّم

أطلق العنان لقوة التعلُّم التحويلي لتوفير الوقت وتعزيز أداء الذكاء الاصطناعي ومعالجة المهام الجديدة باستخدام بيانات محدودة باستخدام نماذج مُدرَّبة مسبقاً.

التعلّم التحويلي هو تقنية تعلّم آلي (ML) حيث يتم إعادة استخدام نموذج تم تطويره لمهمة واحدة كنقطة انطلاق لنموذج في مهمة ثانية ذات صلة. وبدلاً من بناء نموذج من الصفر، الأمر الذي يتطلب كمية هائلة من البيانات والموارد الحاسوبية، يستفيد التعلّم التحويلي من المعرفة - مثل السمات والأوزان والأنماط - المكتسبة من مهمة المصدر. هذا النهج فعال للغاية وأصبح حجر الزاوية في التعلم العميق الحديث، خاصةً في مجال الرؤية الحاسوبية. باستخدام نموذج مدرب مسبقًا، يمكن للمطورين تحقيق أداء أعلى باستخدام بيانات أقل بكثير وأوقات تدريب أقصر.

كيف يعمل التعلُّم التحويلي

تكمن الفكرة الأساسية وراء التعلّم التحويلي في أن النموذج المدرّب على مجموعة بيانات كبيرة وعامة، مثل ImageNet لتصنيف الصور، قد تعلّم بالفعل التعرف على السمات العامة مثل الحواف والأنسجة والأشكال. يتم تخزين هذه المعرفة التأسيسية في الطبقات الأولية للنموذج، وغالبًا ما يشار إليها باسم العمود الفقري.

تتضمن العملية عادةً خطوتين رئيسيتين:

  1. ابدأ بنموذج مدرب مسبقًا: يتم اختيار نموذج تم تدريبه مسبقًا على مجموعة بيانات معيارية كبيرة. على سبيل المثال، تأتي معظم نماذج Ultralytics YOLO مزودة بأوزان مدربة مسبقًا على مجموعة بيانات COCO. تمتلك هذه النماذج بالفعل فهمًا قويًا لخصائص الكائنات العامة.
  2. الضبط الدقيق: يتم بعد ذلك تكييف النموذج المدرّب مسبقًا مع مهمة جديدة ومحددة. ويتضمن هذا التكييف، المعروف باسم الضبط الدقيق، مزيدًا من التدريب على النموذج على مجموعة بيانات أصغر حجمًا ومحددة للمهمة. خلال هذه المرحلة، عادةً ما يتم إبقاء معدل التعلّم منخفضًا لإجراء تعديلات طفيفة على أوزان النموذج دون فقدان الميزات القيّمة التي تم تعلمها مسبقًا. للحصول على دليل مفصّل، يمكنك الرجوع إلى البرنامج التعليمي PyTorch حول التعلّم التحوّلي.

التطبيقات الواقعية

التعلم التحويلي ليس مجرد مفهوم نظري، بل له تطبيقات عملية في العديد من الصناعات.

  • تحليل الصور الطبية: يمكن تدريب النموذج مسبقاً على مجموعة بيانات ImageNet العامة ومن ثم ضبطه بدقة للكشف عن حالات شاذة محددة مثل أورام الدماغ من فحوصات التصوير بالرنين المغناطيسي. نظرًا لأن البيانات الطبية المصنفة غالبًا ما تكون نادرة ومكلفة في الحصول عليها، فإن التعلم التحويلي يسمح بإنشاء أدوات تشخيصية دقيقة دون الحاجة إلى ملايين الصور الطبية. للمزيد من المعلومات حول هذا الموضوع، انظر كيف يخلق الذكاء الاصطناعي حقبة جديدة من الدقة في مجال الأشعة.
  • المركبات ذاتية القيادة: يمكن تدريب نموذج الكشف عن الأجسام مسبقاً على مجموعة بيانات ضخمة من صور الطرقات ومن ثم ضبطه بدقة من قبل شركة تصنيع سيارات معينة للتعرف على طرازات السيارات الفريدة أو العمل في ظروف مناخية محددة. ويستفيد ذلك من المعرفة الحالية بالسيارات والمشاة والإشارات، مما يسرّع عملية التطوير ويحسّن السلامة.

نقل التعلّم مقابل المفاهيم ذات الصلة

من المهم التفريق بين التعلّم التحوّلي وتقنيات التعلّم الآلي الأخرى:

  • نماذج التأسيس: هي نماذج واسعة النطاق تم تدريبها مسبقًا على كميات هائلة من البيانات، وهي مصممة خصيصًا لتكييفها مع مختلف المهام النهائية. التعلم التحويلي هو عملية تكييف هذه النماذج التأسيسية.
  • التعلّم من الصفر: تُمكّن هذه التقنية النموذج من التعرف على الفئات التي لم يرها أثناء التدريب. في حين أن التعلّم التحوّلي يكيّف النموذج مع مهمة جديدة مع بعض البيانات الجديدة، يهدف التعلّم من دون لقطة صفرية إلى التعميم من دون أي أمثلة للفئات الجديدة. يشرح دليلنا حول التعلُّم باستخدام اللقطات القليلة والتعلم الصفري والتعلم التحويلي هذه الاختلافات بمزيد من التفصيل.
  • تقطير المعرفة: يتضمن ذلك تدريب نموذج "طالب" أصغر لمحاكاة سلوك نموذج "معلم" أكبر لتحقيق الكفاءة. يركز التعلم بالنقل على تكييف المعرفة من مهمة إلى أخرى، بينما يركز التقطير على ضغط المعرفة داخل نفس المهمة.

الأدوات وأطر العمل

يمكن الوصول إلى تطبيق التعلُّم النقلي من خلال أدوات ومنصات مختلفة. توفر أطر عمل مثل PyTorch و TensorFlow وثائق شاملة ونماذج مدربة مسبقًا. تعمل منصات مثل Ultralytics HUB على تبسيط سير العمل بأكمله، مما يسمح للمستخدمين بتحميل النماذج المدربة مسبقًا بسهولة مثل YOLOv8 و YOLO11، وإجراء تدريب مخصص على مجموعات بيانات جديدة، وإدارة نشر النماذج. وللحصول على فهم نظري أعمق، فإن الموارد مثل النظرة العامة CS231n في جامعة ستانفورد حول التعلم التحويلي لا تقدر بثمن.

انضم إلى مجتمع Ultralytics

انضم إلى مستقبل الذكاء الاصطناعي. تواصل وتعاون ونمو مع المبتكرين العالميين

انضم الآن
تم نسخ الرابط إلى الحافظة