اكتشف قوة التعلم التبايني، وهي تقنية تعلم ذاتي الإشراف لتمثيلات بيانات قوية بأقل قدر من البيانات المصنفة.
التعلم التبايني هو تقنية قوية تعلّم آلي قوي يمكّن النماذج من تعلم تمثيلات قوية للبيانات دون الحاجة إلى تسميات يدوية. من خلال تعليم شبكة عصبية للتمييز بين نقاط البيانات المتشابهة نقاط البيانات المتشابهة والمختلفة، يسمح هذا النهج للخوارزميات بفهم البنية الأساسية لمجموعة البيانات. بدلاً من من التنبؤ بفئة معينة مباشرة، يتعلم النموذج من خلال مقارنة أزواج من الأمثلة، وسحب تمثيلات للعناصر ذات الصلة - المعروفة بالأزواج الإيجابية - إلى بعضها البعض في في فضاء التضمينات، بينما يدفع العناصر غير ذات الصلة -الأزواج السلبية غير ذات الصلة، بينما تدفع العناصر غير ذات الصلة -الأزواج السلبية- بعيدًا عن بعضها البعض. هذه الإمكانية تجعلها حجر الزاوية في الحديثة ذاتية الإشراف، مما يسمح للمطوّرين بالاستفادة من كميات هائلة من البيانات غير المسماة.
تدور الآلية الأساسية للتعلم التبايني حول مفهوم التمييز بين الأمثلة. تتضمن عملية التدريب تتضمن عملية التدريب عمومًا ثلاثة مكونات رئيسية: زيادة البيانات، وشبكة تشفير، ودالة الخسارة المتباينة دالة خسارة التباين.
إن التمثيلات التي يتم تعلمها من خلال طرق التباين قابلة للنقل إلى المهام النهائية.
إن فهم التمييز بين التعلّم التبايني والنماذج الأخرى مفيد في اختيار النهج الصحيح.
بينما يتطلب تدريب حلقة التباين الكاملة عملية حسابية كبيرة، يمكنك الاستفادة من النماذج التي تعلمت قوية من خلال تقنيات تدريب مسبق مماثلة. يوضّح المثال التالي تحميل نموذج تصنيف الصور المدرّب مسبقًا لتصنيف الصور لمعالجة صورة صورة، والذي يستخدم قدرات استخراج الميزات الأساسية التي تم تحسينها أثناء التدريب.
from ultralytics import YOLO
# Load a pre-trained YOLO11 classification model
# The backbone of this model has learned to extract powerful features
model = YOLO("yolo11n-cls.pt")
# Run inference on a sample image
# This process utilizes the learned feature embeddings to predict the class
results = model("https://ultralytics.com/images/bus.jpg")
# Display the top predicted class names
print(results[0].names[results[0].probs.top1])
على الرغم من نجاحه، يواجه التعلم التبايني تحديات. فهو يتطلب اختيارًا دقيقًا للأزواج السلبية؛ فإذا كانت العينات السلبية سهلة التمييز، يتوقف النموذج عن التعلم بفعالية. طرق مثل MoCo (التباين الزخم) التي أدخلت بنوك الذاكرة للتعامل مع كبيرة من العينات السلبية بكفاءة. بالإضافة إلى ذلك، غالبًا ما يتطلب التدريب موارد حاسوبية كبيرة, مثل وحدات معالجة الرسومات عالية الأداء. ومع تقدم البحث، تواصل Ultralytics استكشاف هذه التقنيات في البحث والتطوير للنماذج القادمة مثل YOLO26، بهدف تقديم أنظمة كشف أسرع وأصغر حجمًا وأكثر دقة من خلال تحسين كيفية تعلم النماذج من البيانات المتنوعة وغير المنسقة.
