استكشف أساسيات التعلم العميق (DL)، من الشبكات العصبية إلى تطبيقات الذكاء الاصطناعي في العالم الحقيقي. تعرف على كيفية تبسيط Ultralytics للتدريب والنشر.
التعلم العميق (DL) هو مجموعة فرعية متخصصة من التعلم الآلي (ML) تحاكي الطريقة التي يعالج بها الدماغ البشري المعلومات. في حين أن التعلم الآلي التقليدي يعتمد غالبًا على الاستخراج اليدوي للميزات، فإن التعلم العميق يؤتمت هذا باستخدام هياكل متعددة الطبقات تُعرف باسم الشبكات العصبية الاصطناعية (ANNs). تتكون هذه الشبكات من طبقات من العقد المترابطة، أو الخلايا العصبية، التي تعالج البيانات بطريقة هرمية. تسمح هذه "العمق" للنماذج بتعلم الأنماط والتمثيلات المعقدة مباشرة من المدخلات الأولية مثل الصور والصوت والنص، مما يجعلها قوية للغاية في معالجة مشاكل البيانات غير المنظمة.
تتضمن الآلية الأساسية للتعلم العميق تمرير البيانات عبر طبقات متعددة من وحدات المعالجة غير الخطية. في شبكة عصبية تغذية أمامية قياسية، تتدفق المعلومات من طبقة الإدخال، عبر عدة طبقات "خفية"، وأخيرًا إلى طبقة الإخراج. خلال مرحلة التدريب، تقوم الشبكة بضبط معلماتها الداخلية —المعروفة باسم weights and biases—بناءً على خطأ تنبؤاتها. يتم تحقيق هذا الضبط عادةً باستخدام خوارزمية تحسين مثل الانحدار العشوائي التدرجي (SGD) مقترنة بالانتشار العكسي لتقليل الخسارة.
يبرز التعلم العميق عند التعامل مع كميات هائلة من البيانات. على عكس الخوارزميات الأبسط التي قد تصل إلى مرحلة الاستقرار في الأداء، تستمر نماذج التعلم العميق عمومًا في التحسن مع زيادة حجم بيانات التدريب. هذه القابلية للتوسع هي السبب الرئيسي وراء استخدام وحدات معالجة الرسومات عالية الأداء في كثير من الأحيان لتسريع الحمل الحسابي الثقيل المطلوب لتدريب هذه البنى الضخمة.
غالبًا ما يتم الخلط بين التعلم العميق والتعلم الآلي، ولكن الفرق بينهما يكمن في مستوى التدخل البشري و تعقيد البنية. يتطلب التعلم الآلي عادةً بيانات منظمة وميزات مصممة بواسطة الإنسان. على العكس من ذلك، يقوم التعلم العميق باستخراج الميزات تلقائيًا .
توجد عدة بنى متخصصة في مجال التعلم العميق للتعامل مع أنواع معينة من البيانات:
انتقل التعلم العميق من النظرية الأكاديمية إلى جوهر مجموعات التكنولوجيا الحديثة. فيما يلي مثالان ملموسان على تأثيره:
أدوات مثل PyTorch و TensorFlow سهّلت الوصول إلى التعلم العميق، ولكن
الواجهات عالية المستوى تجعل الأمر أسهل. ultralytics تتيح الحزمة للمطورين الاستفادة من
أحدث البنى الهندسية دون الحاجة إلى تصميم شبكات عصبية من الصفر.
فيما يلي مثال موجز لتحميل نموذج تعلم عميق مدرب مسبقًا وتشغيل الاستدلال على صورة:
from ultralytics import YOLO
# Load a pre-trained YOLO26 model (a Convolutional Neural Network)
model = YOLO("yolo26n.pt")
# Perform object detection on an image
results = model("https://ultralytics.com/images/bus.jpg")
# Display the results to see identified objects and bounding boxes
results[0].show()
يتطور هذا المجال بسرعة نحو نماذج أكثر كفاءة وقدرة. تتيح تقنيات مثل التعلم النقلي للمستخدمين ضبط نماذج ضخمة مدربة مسبقًا على مجموعات بيانات أصغر ومحددة، مما يوفر وقتًا وموارد حوسبة كبيرة. بالإضافة إلى ذلك، يُظهر ظهور الذكاء الاصطناعي التوليدي قدرة التعلم العميق على إنشاء محتوى جديد، من الصور الواقعية إلى الكود.
بالنسبة للفرق التي تسعى إلى تبسيط سير عملها، توفر Ultralytics بيئة شاملة لإدارة دورة حياة مشاريع التعلم العميق. من التعليقات التعاونيّة على البيانات إلى التدريب والنشر القائمين على السحابة ، تساعد هذه الأدوات في سد الفجوة بين البحث التجريبي والتطبيقات الجاهزة للإنتاج. لفهم الأسس الرياضية بشكل أعمق، توفر موارد مثل كتاب MIT Deep Learning Book تغطية نظرية شاملة.
.webp)