كيف يدرّب Ultralytics YOLO26 بذكاء أكبر باستخدام ProgLoss وSTAL وMuSGD
تعرّف على كيفية تدريب Ultralytics YOLO26 بموثوقية أكبر باستخدام موازنة الخسارة التقدمية، وتعيين التسميات الواعي بالأهداف الصغيرة، ومحسّن MuSGD.
في الأسبوع الماضي، أطلقنا Ultralytics YOLO26، واضعين معيارًا جديدًا لنماذج الرؤية الحاسوبية الفورية والمصممة أولًا للحافة. وعلى غرار نماذج Ultralytics YOLO السابقة، مثل Ultralytics YOLO11، يدعم YOLO26 مهام الرؤية الحاسوبية الأساسية التي اعتادها المستخدمون، بما في ذلك اكتشاف الكائنات، وتقسيم المثيلات، وتقدير الوضعيات.
الشكل 1. مثال على استخدام Ultralytics YOLO26 لتقسيم الكائنات في صورة.
لكن Ultralytics YOLO26 ليس مجرد تحديث تدريجي. ورغم أن المهام المدعومة قد تبدو مألوفة، فإن هذا النموذج الجديد يمثل خطوة مبتكرة إلى الأمام في طريقة تدريب نماذج الرؤية الحاسوبية. ومع YOLO26، يمتد التركيز إلى ما هو أبعد من كفاءة الاستدلال ليشمل جعل التدريب أكثر استقرارًا.
صُمم Ultralytics YOLO26 مع مراعاة دورة حياة التدريب كاملةً. وهذا يعني تقاربًا أسرع، وعمليات تدريب أكثر موثوقية، وسلوكًا متسقًا للنموذج. وتكتسب هذه التحسينات أهمية خاصة في سير العمل الواقعي، حيث تؤثر موثوقية التدريب مباشرةً في سرعة تكرار النماذج ونشرها.
لتحقيق ذلك، يقدم Ultralytics YOLO26 عدة ابتكارات تدريبية موجهة، مثل موازنة الخسارة التقدمية (ProgLoss)، وتعيين التسميات المدرك للأهداف الصغيرة (STAL)، ومحسِّن MuSGD. وتعمل هذه التغييرات مجتمعةً على تحسين موازنة خسارة التعلم، وتعيين التسميات، وسلوك التحسين بمرور الوقت.
في هذه المقالة، سنستكشف كيفية عمل كل واحدة من هذه الآليات وسبب جعلها تدريب Ultralytics YOLO26 أسهل وأكثر موثوقية على نطاق واسع. لنبدأ!
Ultralytics YOLO26: مصمم للتدريب بذكاء أكبر، لا للتشغيل بسرعة أكبر فحسب#
يبسّط Ultralytics YOLO26 خط أنابيب الاستدلال بالكامل بصورة أصلية من خلال إزالة الاعتماد على خطوات المعالجة اللاحقة مثل الكبت غير الأقصى. وبدلًا من إنشاء العديد من التنبؤات المتداخلة وتصفيتها بعد ذلك، ينتج YOLO26 الاكتشافات النهائية مباشرةً من الشبكة.
وهذا يجعل YOLO26 نموذجًا شاملًا من البداية إلى النهاية، حيث يجري تعلم التنبؤ، وحل التكرارات، والمخرجات النهائية كلها داخل الشبكة نفسها. ويبسط ذلك عملية النشر ويحسن كفاءة الاستدلال، مع التأثير أيضًا في كيفية تعلم النموذج أثناء التدريب.
الشكل 2. يوفر YOLO26 استدلالًا شاملًا من البداية إلى النهاية، خاليًا من NMS، ومتفوّقًا على أحدث الأساليب (المصدر)
في نظام شامل من البداية إلى النهاية كهذا، يرتبط التدريب والاستدلال ارتباطًا وثيقًا. ونظرًا إلى عدم وجود مرحلة معالجة لاحقة خارجية لتصحيح التنبؤات لاحقًا، يتعين على النموذج تعلم اتخاذ قرارات واضحة وواثقة أثناء التدريب نفسه.
وهذا يجعل التوافق بين أهداف التدريب وسلوك الاستدلال مهمًا بصفة خاصة. فأي عدم تطابق بين طريقة تدريب النموذج وطريقة استخدامه وقت الاستدلال قد يؤدي إلى تعلم غير مستقر أو تقارب أبطأ.
يعالج Ultralytics YOLO26 ذلك بتصميم عملية التدريب حول الاستخدام الواقعي منذ البداية. فبدلًا من التركيز على سرعة الاستدلال فقط، صُمم نظام التدريب لدعم التعلم المستقر خلال عمليات التدريب الطويلة، والتقارب المتسق عبر أحجام النماذج من Nano إلى Extra Large، والأداء المتين على مجموعات البيانات المتنوعة.
كيف يحسّن رأسا التدريب التعلم في Ultralytics YOLO26#
يبني أحد ابتكارات التدريب الرئيسية في Ultralytics YOLO26 على نهج التدريب ذي الرأسين المستخدم في نماذج YOLO السابقة. وفي نماذج اكتشاف الكائنات، يشير الرأس إلى الجزء من الشبكة المسؤول عن إجراء التنبؤات.
بعبارة أخرى، تتعلم رؤوس الاكتشاف التنبؤ بمواقع الكائنات في الصورة وماهيتها. وتحقق ذلك من خلال انحدار إحداثيات المربعات المحيطة، أي إنها تتعلم تقدير موضع كل كائن وحجمه في صورة الإدخال.
أثناء التدريب، يتعلم النموذج من خلال تقليل خسارة، وهي مقياس عددي يوضح مدى بُعد تنبؤاته عن الإجابات الصحيحة أو الحقيقة الأساسية. وتعني الخسارة الأقل أن تنبؤات النموذج أقرب إلى الحقيقة الأساسية، بينما تشير الخسارة الأعلى إلى أخطاء أكبر. ويوجّه حساب الخسارة كيفية تحديث النموذج لمعلماتِه أثناء التدريب.
يستخدم Ultralytics YOLO26 رأسي اكتشاف أثناء التدريب، ويشترك كلاهما في النموذج الأساسي نفسه، لكن لكل منهما غرض مختلف. ويُستخدم الرأس واحد-لواحد وقت الاستدلال. إذ يتعلم ربط كل كائن بتنبؤ واحد واثق، وهو أمر أساسي لتصميم YOLO26 الشامل من البداية إلى النهاية والخالي من NMS.
في المقابل، يُستخدم الرأس واحد-لعديد أثناء التدريب فقط. فهو يتيح ربط تنبؤات متعددة بالكائن نفسه، موفرًا إشرافًا أكثر كثافة. وتساعد إشارة التعلم الأثرى هذه على استقرار التدريب وتحسين الدقة، ولا سيما في المراحل المبكرة.
في Ultralytics YOLO26، يستخدم كلا الرأسين حساب الخسارة نفسه لانحدار المربعات والتصنيف. وكانت التطبيقات السابقة تطبق موازنة ثابتة بين إشارتَي الخسارة هاتين طوال التدريب.
لكن أهمية كل رأس تتغير بمرور الوقت عمليًا. ويكون الإشراف الكثيف أكثر فائدة في البداية، بينما يصبح التوافق مع سلوك الاستدلال أكثر أهمية في مراحل التدريب اللاحقة. وقد صُمم Ultralytics YOLO26 استنادًا إلى هذه الرؤية، التي تقود مباشرةً إلى طريقة إعادة موازنته لإشارات التعلم مع تقدم التدريب.
يستخدم Ultralytics YOLO26 موازنة الخسارة التقدمية#
إذًا، كيف يتعامل Ultralytics YOLO26 مع احتياجات التعلم المتغيرة هذه أثناء التدريب؟ يستخدم موازنة الخسارة التقدمية لضبط أوزان إشارات التعلم بمرور الوقت.
تعمل ProgLoss على تغيير مقدار مساهمة كل رأس في الخسارة الكلية ديناميكيًا مع تقدم التدريب. ففي البداية، يُمنح الرأس واحد-لعديد وزنًا أكبر لتحقيق استقرار التعلم وتحسين الاستدعاء. ومع استمرار التدريب، يتحول التوازن تدريجيًا نحو الرأس واحد-لواحد، بما يجعل التدريب أكثر توافقًا مع سلوك الاستدلال.
يتيح هذا الانتقال التدريجي لـ Ultralytics YOLO26 التعلم بالترتيب الصحيح. فبدلًا من إجبار النموذج على تحسين أهداف متنافسة دفعة واحدة، تعطي موازنة الخسارة التقدمية الأولوية لإشارة التعلم الأكثر فائدة في كل مرحلة من مراحل التدريب. والنتيجة هي تقارب أكثر سلاسة، وعمليات تدريب غير مستقرة أقل، وأداء نهائي أكثر اتساقًا.
كيف تساعد STAL Ultralytics YOLO26 على التعلم من الكائنات الصغيرة جدًا#
ينبع تحسين تدريبي آخر مثير للاهتمام في Ultralytics YOLO26 من الطريقة التي يعيّن بها النموذج أهداف التدريب للتنبؤات، وهي عملية تُعرف باسم تعيين التسميات. وتتولى هذه العملية مطابقة الكائنات في الحقيقة الأساسية بالتنبؤات المرشحة، التي تُسمى غالبًا المراسي.
تحدد هذه المطابقات التنبؤات التي تتلقى الإشراف وتساهم في الخسارة. ويبني Ultralytics YOLO26 على طريقة موجودة لتعيين التسميات تُسمى التعلم بمحاذاة المهام (TAL)، وقد صُممت لتحقيق توافق أفضل بين التصنيف وتحديد الموقع أثناء التدريب.
على الرغم من أن TAL تعمل جيدًا مع معظم الكائنات، فقد كشف التدريب عن محدودية مهمة. فأثناء عملية المطابقة، كان من الممكن إسقاط الكائنات الصغيرة جدًا بالكامل. وعمليًا، غالبًا ما تفشل الكائنات الأصغر من نحو 8 بكسلات في صورة إدخال بحجم 640 بكسلًا في تلقي أي تعيينات للمراسي. وعند حدوث ذلك، يتلقى النموذج إشرافًا ضئيلًا أو لا يتلقى أي إشراف على تلك الكائنات، مما يصعّب عليه تعلم اكتشافها بصورة موثوقة.
لمعالجة هذه المشكلة، يقدم Ultralytics YOLO26 تعيين التسميات المدرك للأهداف الصغيرة (STAL). وتعدّل STAL عملية التعيين لضمان عدم تجاهل الكائنات الصغيرة أثناء التدريب. وعلى وجه التحديد، تفرض حدًا أدنى قدره أربعة تعيينات للمراسي للكائنات الأصغر من 8 بكسلات. ويضمن ذلك مساهمة الكائنات الصغيرة جدًا باستمرار في خسارة التدريب.
من خلال تعزيز الإشراف على الأهداف الصغيرة، تحسّن STAL استقرار التعلم وأداء الاكتشاف في السيناريوهات التي تكثر فيها الكائنات الصغيرة أو البعيدة. ويكتسب هذا التحسين أهمية خاصة لتطبيقات YOLO26 المصمم أولًا للحافة، مثل التصوير الجوي، والروبوتات، وأنظمة إنترنت الأشياء (IoT)، حيث تكون الكائنات غالبًا صغيرة أو بعيدة أو ظاهرة جزئيًا، ويكون الاكتشاف الموثوق أمرًا بالغ الأهمية.
يقدم Ultralytics YOLO26 محسِّن MuSGD#
لدعم تدريب أكثر استقرارًا وقابلية للتنبؤ، يقدم Ultralytics YOLO26 أيضًا محسِّنًا جديدًا يُسمى MuSGD. وقد صُمم هذا المحسِّن لتحسين التقارب وموثوقية التدريب في نماذج الاكتشاف الشاملة من البداية إلى النهاية، ولا سيما مع زيادة حجم النموذج وتعقيد التدريب.
لكي تتعلم الشبكة العصبية، ومن ثم تغيّر الأوزان وفقًا لذلك أثناء التدريب، نحسب خطأً (يُسمى أيضًا "خسارة"). لذلك يقيس النموذج مدى خطأ تنبؤاته باستخدام قيمة خسارة، ويحسب التدرجات التي توضح كيفية تغيير معلماته، ثم يحدّث تلك المعلمات لتقليل الخطأ. ويُعد الانحدار المتدرج العشوائي (SGD) محسِّنًا واسع الاستخدام ينفذ هذه التحديثات، مما يجعل التدريب فعالًا وقابلًا للتوسع.
الشكل 3. الانحدار المتدرج العشوائي مقابل الانحدار المتدرج (المصدر)
يبني MuSGD على هذا الأساس المألوف من خلال دمج أفكار تحسين مستوحاة من Muon، وهي طريقة تُستخدم في تدريب نماذج اللغة الكبيرة. وقد تأثرت هذه الأفكار بالتطورات الحديثة مثل Kimi K2 من Moonshot AI، الذي أظهر سلوكًا تدريبيًا محسنًا من خلال تحديثات أكثر تنظيمًا للمعلمات.
يستخدم Ultralytics YOLO26 استراتيجية تحديث هجينة. إذ تُحدّث بعض المعلمات باستخدام مزيج من التحديثات المستوحاة من Muon وSGD، بينما تستخدم معلمات أخرى SGD وحده. ويتيح ذلك لـ YOLO26 إدخال بنية إضافية في عملية التحسين مع الحفاظ على خصائص المتانة والتعميم التي جعلت SGD فعالًا.
والنتيجة هي تحسين أكثر سلاسة، وتقارب أسرع، وسلوك تدريبي أكثر قابلية للتنبؤ عبر أحجام النماذج، مما يجعل MuSGD جزءًا أساسيًا من أسباب سهولة تدريب Ultralytics YOLO26 وموثوقيته الأكبر على نطاق واسع.
أهمية ابتكارات التدريب في Ultralytics YOLO26#
تجعل ابتكارات التدريب في Ultralytics YOLO26، إلى جانب الميزات الرئيسية مثل تصميمه الشامل من البداية إلى النهاية والخالي من NMS والمصمم أولًا للحافة، النموذج أسهل تدريبًا وأكثر موثوقية على نطاق واسع. وقد تتساءل عما يعنيه ذلك فعلًا لتطبيقات الرؤية الحاسوبية.
الشكل 4. نظرة على الميزات الرئيسية في YOLO26 (المصدر)
وعمليًا، يجعل ذلك جلب الرؤية الحاسوبية إلى المكان الذي تعمل فيه فعليًا أسهل بكثير. إذ تتدرب النماذج بصورة أكثر قابلية للتنبؤ، وتتوسع بصورة أكثر اتساقًا عبر الأحجام، ويصبح تكييفها مع مجموعات البيانات الجديدة أبسط. ويقلل ذلك الاحتكاك بين التجريب والنشر، ولا سيما في البيئات التي تهم فيها الموثوقية والكفاءة بقدر أهمية الأداء الخام.
فعلى سبيل المثال، في تطبيقات الروبوتات والرؤية الصناعية، غالبًا ما تحتاج النماذج إلى إعادة التدريب بصورة متكررة مع تغير البيئات أو المستشعرات أو المهام. ومع Ultralytics YOLO26، تستطيع الفرق التكرار بسرعة أكبر دون القلق بشأن عمليات التدريب غير المستقرة أو السلوك غير المتسق عبر أحجام النماذج.
أهم النقاط المستخلصة#
تعتمد أنظمة الرؤية الحاسوبية الموثوقة على كيفية تدريب النماذج بقدر اعتمادها على أدائها وقت الاستدلال. ومن خلال تحسين موازنة إشارات التعلم، وطريقة التعامل مع الكائنات الصغيرة، وتقدم التحسين، يجعل Ultralytics YOLO26 التدريب أكثر استقرارًا وأسهل في التوسع. ويساعد هذا التركيز على التدريب الموثوق الفرق على الانتقال بسلاسة أكبر من التجريب إلى النشر الواقعي، ولا سيما في التطبيقات المصممة أولًا للحافة.
هل تريد التعرف إلى الذكاء الاصطناعي؟ تفضل بزيارة مستودع GitHub لاكتشاف المزيد. وانضم إلى مجتمعنا النشط وتعرّف إلى الابتكارات في قطاعات مثل الذكاء الاصطناعي في الخدمات اللوجستية وذكاء الرؤية الاصطناعي في صناعة السيارات. وللبدء باستخدام الرؤية الحاسوبية اليوم، اطلع على خيارات الترخيص.
