Tinh chỉnh các mô hình học máy như Ultralytics YOLO cho các tác vụ cụ thể. Tìm hiểu các phương pháp, ứng dụng và thực hành tốt nhất tại đây!
Tinh chỉnh là một kỹ thuật cốt lõi trong học máy (ML) , bao gồm việc sử dụng một mô hình đã được đào tạo trước trên một tập dữ liệu tổng quát lớn và đào tạo thêm trên một tập dữ liệu chuyên biệt nhỏ hơn. Quá trình này, một dạng học chuyển giao , điều chỉnh kiến thức đã học của mô hình để hoàn thành xuất sắc một nhiệm vụ cụ thể mà không cần phải đào tạo lại mô hình từ đầu. Bằng cách bắt đầu với một mô hình nền tảng mạnh mẽ, các nhà phát triển có thể đạt được hiệu suất cao với lượng dữ liệu và tài nguyên tính toán ít hơn đáng kể, một khái niệm đã được các tổ chức như Phòng thí nghiệm AI Stanford khám phá.
Quá trình bắt đầu với một mô hình có trọng số đã được tối ưu hóa trên một tập dữ liệu rộng như ImageNet cho thị giác hoặc một kho ngữ liệu văn bản đồ sộ cho Mô hình Ngôn ngữ Lớn (LLM) . Mô hình được đào tạo trước này đã hiểu các đặc điểm chung—chẳng hạn như các cạnh và kết cấu trong hình ảnh hoặc ngữ pháp và ngữ nghĩa trong văn bản. Sau đó, quá trình tinh chỉnh tiếp tục, thường sử dụng tốc độ học thấp hơn, trên một tập dữ liệu tùy chỉnh được thiết kế riêng cho ứng dụng mục tiêu. Quá trình này điều chỉnh các tham số của mô hình để trở nên chuyên biệt cho các sắc thái cụ thể của tác vụ mới. Các nền tảng như PyTorch và TensorFlow cung cấp các công cụ mở rộng để triển khai quy trình tinh chỉnh.
Tinh chỉnh được sử dụng rộng rãi trong thị giác máy tính (CV) và Xử lý ngôn ngữ tự nhiên (NLP) .
Điều quan trọng là phải phân biệt tinh chỉnh với các kỹ thuật điều chỉnh mô hình khác:
Ultralytics đơn giản hóa quy trình tinh chỉnh các mô hình YOLO tiên tiến cho các ứng dụng tùy chỉnh. Người dùng có thể dễ dàng tải các trọng số đã được đào tạo trước và bắt đầu đào tạo trên bộ dữ liệu của riêng họ cho các tác vụ như phân loại, phát hiện hoặc phân đoạn hình ảnh . Nền tảng Ultralytics HUB tiếp tục hợp lý hóa quy trình làm việc này, cung cấp giải pháp tích hợp để quản lý bộ dữ liệu, mô hình đào tạo và triển khai sau này. Để đạt được hiệu suất tốt nhất, tinh chỉnh thường được kết hợp với việc tinh chỉnh siêu tham số cẩn thận.