Afinar modelos de aprendizagem automática como o Ultralytics YOLO para tarefas específicas. Aprenda métodos, aplicações e melhores práticas aqui!
O ajuste fino é uma técnica fundamental na aprendizagem automática (ML) que envolve a utilização de um modelo pré-treinado num conjunto de dados grande e geral e o seu posterior treino num conjunto de dados mais pequeno e especializado. Este processo, uma forma de aprendizagem por transferência, adapta o conhecimento aprendido do modelo para se destacar numa tarefa específica sem ter de treinar um modelo de raiz. Ao começar com um modelo de base potente, os programadores podem obter um elevado desempenho com muito menos dados e recursos computacionais, um conceito explorado por instituições como o Stanford AI Lab.
O processo começa com um modelo cujos pesos já foram optimizados num conjunto de dados alargado, como o ImageNet para visão ou um corpus de texto massivo para Modelos de Linguagem Grandes (LLMs). Este modelo pré-treinado já compreende caraterísticas gerais - tais como arestas e texturas em imagens ou gramática e semântica em texto. Em seguida, o ajuste fino continua o processo de formação, normalmente utilizando uma taxa de aprendizagem mais baixa, num conjunto de dados personalizado e adaptado à aplicação alvo. Isto ajusta os parâmetros do modelo para se tornar especializado nas nuances específicas da nova tarefa. Estruturas como PyTorch e TensorFlow fornecem ferramentas extensivas para implementar fluxos de trabalho de ajuste fino.
O ajuste fino é amplamente utilizado na visão computacional (CV) e no processamento de linguagem natural (PNL).
É importante distinguir a afinação fina de outras técnicas de adaptação de modelos:
A Ultralytics simplifica o processo de afinação dos seus modelos YOLO de última geração para aplicações personalizadas. Os utilizadores podem facilmente carregar pesos pré-treinados e começar a treinar nos seus próprios conjuntos de dados para tarefas como a classificação, deteção ou segmentação de imagens. A plataforma Ultralytics HUB simplifica ainda mais este fluxo de trabalho, fornecendo uma solução integrada para gerir conjuntos de dados, modelos de treino e eventual implementação. Para obter o melhor desempenho, o ajuste fino é frequentemente combinado com um ajuste cuidadoso dos hiperparâmetros.