Điều chỉnh siêu tham số chính để tối ưu hóa các mô hình ML như Ultralytics YOLO . Tăng cường độ chính xác, tốc độ và hiệu suất bằng các kỹ thuật chuyên môn.
Điều chỉnh siêu tham số, còn được gọi là tối ưu hóa siêu tham số, là một quy trình cơ bản trong học máy (ML) nhằm tìm ra sự kết hợp tốt nhất của các siêu tham số để tối đa hóa hiệu suất của mô hình. Siêu tham số là các thiết lập cấu hình được thiết lập trước khi quá trình đào tạo bắt đầu, không giống như các tham số mô hình (như weights and biases trong mạng nơ-ron) được học trong quá trình đào tạo. Việc điều chỉnh các thiết lập bên ngoài này rất quan trọng vì chúng kiểm soát chính quá trình học, ảnh hưởng đến hiệu quả của mô hình học từ dữ liệu và khái quát hóa thành các ví dụ mới, chưa từng thấy.
Siêu tham số xác định các thuộc tính cấp cao hơn của mô hình, chẳng hạn như độ phức tạp của mô hình hoặc tốc độ học của mô hình. Các ví dụ phổ biến bao gồm tốc độ học được sử dụng trong các thuật toán tối ưu hóa, kích thước lô xác định số lượng mẫu được xử lý trước khi cập nhật các tham số mô hình, số lớp trong mạng nơ-ron hoặc cường độ của các kỹ thuật chính quy hóa . Việc lựa chọn siêu tham số ảnh hưởng đáng kể đến kết quả của mô hình. Lựa chọn kém có thể dẫn đến thiếu phù hợp , khi mô hình quá đơn giản để nắm bắt các mẫu dữ liệu hoặc quá phù hợp , khi mô hình học dữ liệu đào tạo quá tốt, bao gồm cả nhiễu và không thể khái quát hóa.
Việc điều chỉnh siêu tham số hiệu quả là điều cần thiết để xây dựng các mô hình ML hiệu suất cao. Một mô hình được điều chỉnh tốt sẽ đạt được độ chính xác cao hơn, hội tụ nhanh hơn trong quá trình đào tạo và cải thiện khả năng khái quát hóa trên dữ liệu thử nghiệm. Đối với các tác vụ phức tạp như phát hiện đối tượng bằng các mô hình như Ultralytics YOLO , việc tìm ra các siêu tham số tối ưu có thể cải thiện đáng kể các số liệu hiệu suất như Độ chính xác trung bình (mAP) và tốc độ suy luận, vốn rất quan trọng đối với các ứng dụng đòi hỏi suy luận theo thời gian thực . Mục tiêu là điều hướng các sự đánh đổi, như sự đánh đổi độ lệch-phương sai , để tìm ra điểm phù hợp cho một vấn đề và tập dữ liệu nhất định.
Có một số chiến lược để tìm kiếm các giá trị siêu tham số tốt nhất:
Các công cụ như Weights & Biases Sweeps và KerasTuner giúp tự động hóa và quản lý các quy trình điều chỉnh này.
Điều quan trọng là phải phân biệt điều chỉnh siêu tham số với các khái niệm ML liên quan:
Điều chỉnh siêu tham số được áp dụng trên nhiều miền khác nhau:
Ultralytics cung cấp các công cụ để đơn giản hóa việc điều chỉnh siêu tham số cho YOLO các mô hình. Các Ultralytics Tuner
lớp học, được ghi chép trong Hướng dẫn điều chỉnh siêu tham số, tự động hóa quy trình bằng các thuật toán tiến hóa. Tích hợp với các nền tảng như Ray Điều Chỉnh cung cấp thêm các khả năng cho các chiến lược tìm kiếm phân tán và nâng cao, giúp người dùng tối ưu hóa các mô hình của họ một cách hiệu quả cho các tập dữ liệu và tác vụ cụ thể bằng cách sử dụng các tài nguyên như Ultralytics HUB.