كيف يتدرب Ultralytics YOLO26 بذكاء أكبر مع ProgLoss و STAL و MuSGD

في الأسبوع الماضي، أطلقنا Ultralytics YOLO26، مما وضع معياراً جديداً لنماذج الرؤية الحاسوبية الموجهة للحافة وفي الوقت الفعلي. على غرار نماذج Ultralytics YOLO السابقة، مثل Ultralytics YOLO11، يدعم YOLO26 مهام الرؤية الحاسوبية الأساسية التي يألفها المستخدمون، بما في ذلك اكتشاف الكائنات، وتجزئة المثيلات، وتقدير الوضعيات.

الشكل 1. مثال على استخدام نموذج Ultralytics YOLO26 لتجزئة الكائنات في صورة.

مع ذلك، فإن Ultralytics YOLO26 ليس مجرد تحديث تدريجي. وبينما قد تبدو المهام المدعومة مألوفة، يمثل هذا النموذج الجديد خطوة مبتكرة إلى الأمام في طريقة تدريب نماذج computer vision. ومع YOLO26، يمتد التركيز إلى ما هو أبعد من كفاءة الاستدلال ليجعل التدريب أكثر استقراراً.

تم تصميم نموذج Ultralytics YOLO26 مع أخذ دورة حياة التدريب بالكامل بعين الاعتبار. يعني هذا تقاربًا أسرع، وعمليات تدريب أكثر موثوقية، وسلوكًا متسقًا للنموذج. تُعد هذه التحسينات مهمة بشكل خاص في سير العمل الواقعي، حيث تؤثر موثوقية التدريب بشكل مباشر على مدى سرعة تكرار النماذج ونشرها.

ولتحقيق ذلك، يقدم نموذج Ultralytics YOLO26 العديد من ابتكارات التدريب المستهدفة مثل موازنة الخسارة التدريجية (ProgLoss)، وتعيين التسميات المدركة للأهداف الصغيرة (STAL)، ومحسن MuSGD. معًا، تعمل هذه التغييرات على تحسين كيفية موازنة خسارة التعلم، وكيفية تعيين التسميات، وكيفية تصرف التحسين بمرور الوقت.

في هذه المقالة، سوف نستكشف كيفية عمل كل آلية من هذه الآليات وسبب جعلها Ultralytics YOLO26 أسهل في التدريب وأكثر موثوقية على نطاق واسع. لنبدأ!

Ultralytics YOLO26: مصمم للتدريب بذكاء أكبر، وليس فقط للعمل بشكل أسرع#

يعمل Ultralytics YOLO26 على تبسيط خط أنابيب الاستدلال بالكامل محلياً من خلال إزالة الاعتماد على خطوات ما بعد المعالجة مثل NMS. بدلاً من إنشاء العديد من التنبؤات المتداخلة وتصفيتها بعد ذلك، ينتج YOLO26 اكتشافات نهائية مباشرة من الشبكة.

وهو يجعل YOLO26 نموذجاً متكاملاً (end-to-end)، حيث يتم تعلم التنبؤ، وحل التكرارات، والمخرجات النهائية داخل الشبكة نفسها. هذا يبسيط النشر ويحسن كفاءة الاستدلال، بينما يشكل أيضاً كيفية تعلم النموذج أثناء التدريب.

الشكل 2. يقدم YOLO26 استدلالاً متطوراً ومتكاملاً وخالياً من NMS (المصدر)

في نظام شامل كهذا، يكون التدريب والاستدلال مرتبطين بشكل وثيق. ونظراً لعدم وجود مرحلة خارجية لما بعد المعالجة لتصحيح التنبؤات لاحقاً، يجب أن يتعلم النموذج اتخاذ قرارات واضحة وواثقة أثناء التدريب نفسه.

هذا يجعل المواءمة بين أهداف التدريب وسلوك الاستدلال مهمة بشكل خاص. أي عدم تطابق بين كيفية تدريب النموذج وكيفية استخدامه في وقت الاستدلال يمكن أن يؤدي إلى تعلم غير مستقر أو تقارب أبطأ.

يتعامل نموذج Ultralytics YOLO26 مع هذا الأمر من خلال تصميم عملية التدريب الخاصة به بناءً على الاستخدام في العالم الواقعي منذ البداية. فبدلاً من التركيز فقط على سرعة الاستدلال، تم بناء نظام التدريب لدعم التعلم المستقر على مدار عمليات التدريب الطويلة، وتقارب النتائج باستمرار عبر أحجام النماذج المختلفة من Nano إلى Extra Large، والأداء القوي على مجموعات البيانات المتنوعة.

كيف يعمل رأسا تدريب على تحسين التعلم في Ultralytics YOLO26#

أحد ابتكارات التدريب الرئيسية في Ultralytics YOLO26 يعتمد على نهج التدريب برأسين المستخدم في نماذج YOLO السابقة. في نماذج اكتشاف الكائنات، يشير الرأس إلى جزء الشبكة المسؤول عن إجراء التنبؤات.

بمعنى آخر، تتعلم رؤوس الاكتشاف التنبؤ بمكان وجود الكائنات في الصورة وما هي هذه الكائنات. إنهم يفعلون ذلك من خلال تراجع إحداثيات BBox، مما يعني أنهم يتعلمون تقدير موضع وحجم كل كائن في صورة الإدخال.

أثناء التدريب، يتعلم النموذج عن طريق تقليل الخسارة، وهو مقياس رقمي لمدى بعد تنبؤاته عن الإجابات الصحيحة أو الحقيقة الأساسية (ground truth). تعني الخسارة الأقل أن تنبؤات النموذج أقرب إلى الحقيقة الأساسية، بينما تشير الخسارة الأعلى إلى أخطاء أكبر. يوجه حساب الخسارة كيفية تحديث النموذج لمعلماته أثناء التدريب.

يستخدم Ultralytics YOLO26 رأسي اكتشاف أثناء التدريب يتشاركان نفس النموذج الأساسي ولكنهما يخدمان أغراضاً مختلفة. رأس المطابقة الواحد لواحد هو الرأس المستخدم في وقت الاستدلال. وهو يتعلم ربط كل كائن بتنبؤ واحد واثق، وهو أمر أساسي لتصميم YOLO26 المتكامل وخالٍ من NMS.

في الوقت نفسه، يُستخدم رأس واحد للكثير (one-to-many) أثناء التدريب فقط. وهو يسمح بربط تنبؤات متعددة بنفس الكائن، مما يوفر إشرافاً أكثر كثافة. تساعد إشارة التعلم الأكثر ثراءً هذه على استقرار التدريب وتحسين الدقة، خاصة في المراحل المبكرة.

في نموذج Ultralytics YOLO26، يستخدم كلا الرأسين حساب الخسارة نفسه للانحدار الخاص بالمربعات المحيطة والتصنيف. كانت التطبيقات السابقة تطبق توازناً ثابتاً بين إشارتي الخسارة هاتين طوال فترة التدريب.

ولكن في الواقع، تتغير أهمية كل رأس بمرور الوقت. يكون الإشراف المكثف مفيداً للغاية في البداية، بينما يصبح التوافق مع سلوك الاستدلال أكثر أهمية في مراحل لاحق من التدريب. تم تصميم نموذج Ultralytics YOLO26 بناءً على هذه الرؤية، مما يؤدي مباشرةً إلى كيفية إعادة موازنة إشارات التعلم مع تقدم التدريب.

Ultralytics YOLO26 يستخدم موازنة الخسارة التدريجية#

إذن، كيف يتعامل Ultralytics YOLO26 مع احتياجات التعلم المتغيرة هذه أثناء التدريب؟ إنه يستخدم موازنة الخسارة التدريجية لضبط كيفية ترجيح إشارات التعلم بمرور الوقت.

يعمل ProgLoss من خلال التحول الديناميكي لمقدار مساهمة كل رأس في الخسارة الإجمالية مع تقدم التدريب. في البداية، يتم وضع وزن أكبر على رأس واحد للكثير لتحقيق استقرار التعلم وتحسين الاستدعاء (recall). مع استمرار التدريب، يتحول التوازن تدريجياً نحو رأس واحد لواحد، مما يتماشى مع التدريب بشكل أوثق مع سلوك الاستدلال.

يسمح هذا الانتقال التدريجي لنموذج Ultralytics YOLO26 بالتعلم بالترتيب الصحيح. فبدلاً من إجبار النموذج على تحسين أهداف متنافسة دفعة واحدة، تعطي ميزة Progressive Loss Balancing الأولوية لإشارة التعلم الأكثر فائدة في كل مرحلة من مراحل التدريب. والنتيجة هي تقارب أكثر سلاسة، وعمليات تدريب أقل عرضة عدم الاستقرار، وأداء نهائي أكثر اتساقاً.

كيف يساعد STAL نموذج Ultralytics YOLO26 في التعلم من الكائنات الصغيرة#

تحسين تدريبي آخر مثير للاهتمام في Ultralytics YOLO26 يأتي من كيفية تعيين النموذج لأهداف التدريب للتنبؤات، وهي عملية تُعرف بتعيين التسميات. وهي مسؤولة عن مطابقة كائنات الحقيقة الأساسية مع تنبؤات المرشحين، والتي غالباً ما تسمى anchors.

تحدد هذه المطابقات التنبؤات التي تتلقى الإشراف وتساهم في حساب الخسارة. يعتمد نموذج Ultralytics YOLO26 على طريقة تعيين تسميات موجودة تُسمى Task Alignment Learning (TAL)، والتي تم تصميمها لتحسين التوافق بين التصنيف وتحديد الموقع أثناء التدريب.

بينما يعمل TAL بشكل جيد لمعظم الكائنات، كشف التدريب عن قيد مهم. أثناء عملية المطابقة، يمكن إسقاط الكائنات الصغيرة جداً تماماً. من الناحية العملية، غالباً ما تفشل الكائنات الأصغر من حوالي 8 بكسل في صورة إدخال بحجم 640 بكسل في تلقي أي تعيينات anchor. عندما يحدث هذا، يتلقى النموذج القليل أو لا يتلقى أي إشراف لتلك الكائنات، مما يجعل من الصعب تعلم اكتشافها بشكل موثوق.

لمعالجة هذه المشكلة، يقدم نموذج Ultralytics YOLO26 نظام Small-Target-Aware Label Assignment (STAL). يقوم نظام STAL بتعديل عملية التعيين لضمان عدم تجاهل الأجسام الصغيرة أثناء التدريب. وتحديداً، فإنه يفرض حداً أدنى من أربعة تعيينات للمراسي للأجسام الأصغر من 8 بكسل. وهذا يضمن أن حتى الأجسام بالغة الصغر تساهم باستمرار في خسارة التدريب.

من خلال تعزيز الإشراف على الأهداف الصغيرة، يحسن STAL استقرار التعلم وأداء الاكتشاف في السيناريوهات التي تكون فيها الأهداف الصغيرة أو البعيدة شائعة. هذا التحسين مهم بشكل خاص لتطبيقات YOLO26 الموجهة للحافة مثل صور التصوير الجوي، والروبوتات، وأنظمة إنترنت الأشياء (IoT)، حيث غالباً ما تكون الأهداف صغيرة، أو بعيدة، أو مرئية جزئياً ويكون الاكتشاف الموثوق أمراً بالغ الأهمية.

Ultralytics YOLO26 يقدم محسّن MuSGD#

لدعم تدريب أكثر استقراراً وقابلية للتنبؤ، يقدم Ultralytics YOLO26 أيضاً محسّناً جديداً يسمى MuSGD. تم تصميم هذا المحسّن لتحسين التقارب وموثوقية التدريب في نماذج الاكتشاف الشاملة، خاصة مع زيادة حجم النموذج وتعقيد التدريب.

لكي تتعلم الشبكة العصبية، وبالتالي تغير الأوزان وفقاً لذلك، أثناء التدريب، نقوم بحساب الخطأ (ويسمى أيضاً "الخسارة"). وعليه، يقيس النموذج مدى خطأ تنبؤاته باستخدام قيمة الخسارة، ويحسب التدرجات التي تشير إلى كيفية تغير معلماته، ثم يقوم بتحديث تلك المعلمات تقليلاً للخطأ. تُعد الانحدار العشوائي للتدريج (SGD) مُحسِّناً مستخدماً على نطاق واسع يقوم بتحديثات كهذه، مما يجعل التدريب فعالاً وقابلاً للتوسع.

الشكل 3. الانحدار العشوائي للتدريج مقارنة بانحدار التدريج (المصدر)

يبني MuSGD على هذا الأساس المألوف من خلال دمج أفكار التحسين المستوحاة من Muon، وهي طريقة مستخدمة في تدريب النماذج اللغوية الكبيرة. تأثرت هذه الأفكار بالتطورات الأخيرة مثل Kimi K2 من Moonshot AI، والتي أثبتت سلوك تدريب محسّن من خلال تحديثات أكثر تنظيماً للمعلمات.

يستخدم Ultralytics YOLO26 استراتيجية تحديث هجينة. يتم تحديث بعض المعلمات باستخدام مزيج من التحديثات المستوحاة من Muon وSGD، بينما يستخدم البعض الآخر SGD وحده. هذا يجعل من الممكن لـ YOLO26 إدخال هيكل إضافي في عملية التحسين مع الحفاظ على خصائص المتانة والتعميم التي جعلت SGD فعّالاً.

النتيجة هي تحسين أكثر سلاسة، وتقارب أسرع، وسلوك تدريب أكثر قابلية للتنبؤ عبر أحجام النماذج المختلفة، مما يجعل MuSGD جزءاً أساسياً من سبب سهولة تدريب نموذج Ultralytics YOLO26 وأكثر موثوقية عند التوسع.

أهمية ابتكارات التدريب في Ultralytics YOLO26#

ابتكارات التدريب في Ultralytics YOLO26، جنباً إلى جنب مع الميزات الرئيسية مثل تصميمها الشامل والخالي من NMS والموجه للحافة، تجعل النموذج أسهل في التدريب وأكثر موثوقية على نطاق واسع. قد تتساءل عما يعنيه ذلك حقاً لتطبيقات الرؤية الحاسوبية.

الشكل 4. نظرة على الميزات الرئيسية لـ YOLO26 (المصدر)

عملياً، يجعل هذا جلب الرؤية الحاسوبية إلى حيث تعمل فعلياً أسهل بكثير. تتدرب النماذج بشكل أكثر قابلية للتنبؤ، وتتوسع بشكل أكثر اتساقاً عبر الأحجام، وهي أبسط في التكيف مع مجموعات البيانات الجديدة. هذا يقلل من الاحتكاك بين التجريب والنشر، خاصة في البيئات التي تكون فيها الموثوقية والكفاءة مهمتين بقدر الأداء الخام.

على سبيل المثال، في تطبيقات الروبوتات والرؤية الصناعية، غالباً ما تحتاج النماذج إلى إعادة التدريب بشكل متكرر مع تغير البيئات أو المستشعرات أو المهام. مع نموذج Ultralytics YOLO26، يمكن فرق العمل التكرار بشكل أسرع دون القلق بشأن عمليات التدريب غير المستقرة أو السلوك غير المتسق عبر أحجام النماذج المختلفة.

أبرز النقاط#

تعتمد أنظمة الرؤية الحاسوبية الموثوقة بالقدر نفسه على كيفية تدريب النماذج وعلى أُدائها وقت الاستدلال. من خلال تحسين كيفية موازنة إشارات التعلم، وكيفية التعامل مع الأجسام الصغيرة، وكيفية تقدم التحسين، يجعل نموذج Ultralytics YOLO26 التدريب أكثر استقراراً وأسهل في التوسع. يساعد هذا التركيز على التدريب الموثوق فرق العمل على الانتقال بسلاسة أكبر من التجريب إلى نشر التطبيقات في العالم الواقعي، لا سيما في التطبيقات التي تعتمد على الحافة أولاً.

هل تريد التعرف على الذكاء الاصطناعي؟ تفضل بزيارة مستودع GitHub الخاص بنا لاكتشاف المزيد. انضم إلى مجتمعنا النشط وتعرف على الابتكارات في قطاعات مثل الذكاء الاصطناعي في الخدمات اللوجستية ورؤية الذكاء الاصطناعي في قطاع السيارات. للبدء في الرؤية الحاسوبية اليوم، راجع خيارات الترخيص الخاصة بنا.