Ultralytics gibi önceden eğitilmiş modellerin, ince ayarlarla özel görevlere nasıl uyarlanabileceğini keşfedin. Daha hızlı ve daha doğru yapay zeka için transfer öğreniminden yararlanmayı öğrenin.
İnce ayar, makine öğreniminde (ML) önceden eğitilmiş bir modeli belirli bir göreve veya veri kümesine uyarlamayı içeren temel bir işlemdir. Büyük miktarda veri, zaman ve hesaplama gücü gerektiren sıfırdan eğitimyerine, geliştiriciler, ImageNet gibi geniş bir veri kümesinden genel özellikleri önceden öğrenmiş olan bir "temel model" ile başlarlar. ImageNet ImageNetgibi geniş bir veri kümesinden genel özellikleri öğrenmiş olan "temel model" ile başlarlar. Bu yaklaşım, transfer öğreniminin pratik bir uygulamasıdır ve AI sistemlerinin önemli ölçüde daha az kaynakla niş problemlerde yüksek performans elde etmesini sağlar.
İnce ayarın temelindeki fikir, modelin halihazırda edindiği "bilgiyi" kullanmaktır. Bir temel model genellikle kenarlar, dokular ve şekiller gibi temel görsel öğeleri sağlam bir şekilde anlamaktadır. İnce ayar sürecinde, model parametreleri (ağırlıklar) yeni, özel verilerin nüanslarına uyum sağlamak için hafifçe ayarlanır.
Bu ayarlama genellikle daha düşük bir öğrenme oranı kullanılarak gradyan inişi yoluyla gerçekleştirilir. İhtiyatlı bir öğrenme oranı, ilk ön eğitim sırasında öğrenilen değerli özelliklerin yok edilmeden iyileştirilmesini sağlar. Birçok bilgisayar görme (CV) iş akışında, mühendisler omurganın ilk katmanlarını backbonedetect evrensel özellikleri algılayan— dondurabilir ve yalnızca daha derin katmanları ve son sınıf tahminlerini yapmakla sorumlu algılama kafasını güncelleyebilir.
İnce ayar, genel yapay zeka yetenekleri ile belirli endüstri gereksinimleri arasındaki boşluğu doldurur. Genel modellerin uzmanlaşmış uzmanlar haline gelmesini sağlar.
Her bir yaklaşımın ne zaman kullanılacağını anlamak için ince ayar ile tam eğitimi birbirinden ayırmak yararlıdır.
Modern çerçeveler bu süreci erişilebilir hale getirir. Örneğin, Ultralytics , veri kümesi yönetimini ve bulut eğitimini otomatik olarak gerçekleştirerek iş akışını basitleştirir. Bununla birlikte, geliştiriciler Python kullanarak modelleri yerel olarak da ince ayar yapabilirler.
Aşağıdaki örnek, önceden eğitilmiş bir modeli nasıl ince ayar yapacağınızı gösterir.
YOLO26 özel bir veri kümesinde model. Dikkat edin, biz yükleriz
yolo26n.pt (önceden eğitilmiş ağırlıklar) yerine basitleştirilmiş bir yapılandırma dosyası kullanılır, bu da
kütüphaneye transfer öğrenimini başlatması için sinyal verir.
from ultralytics import YOLO
# Load a pre-trained YOLO26 model (n=nano size)
# This automatically loads weights trained on COCO
model = YOLO("yolo26n.pt")
# Fine-tune the model on a custom dataset (e.g., 'coco8.yaml')
# The 'epochs' argument determines how many passes over the data occur
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# The model is now fine-tuned and ready for specific inference tasks
En iyi sonuçları elde etmek için yeni veri setinin kalitesi çok önemlidir. Veri artırma araçlarını kullanarak küçük bir veri setini, görüntüleri döndürerek, çevirerek veya parlaklığını ayarlayarak yapay olarak genişletebilir ve aşırı uyumlamayı önleyebilirsiniz. Ayrıca, doğrulama kaybı ve ortalama ortalama hassasiyet (mAP) gibi metrikleri izlemek, modelin görülmemiş verilere iyi bir şekilde genelleştirilmesini sağlar.
Karmaşık iş akışlarını yönetenler için, MLOps stratejileri ve deney izleme gibi araçlar kullanmak, farklı ince ayarlı yinelemeler üzerinde sürüm kontrolünü korumaya yardımcı olabilir. Nesne algılama veya örnek segmentasyonu için olsun, ince ayar etkili AI çözümleri dağıtmak için endüstri standardı olmaya devam etmektedir. MLOps stratejileri ve araçları,
.webp)