تعرّف على الحقب الزمنية في التعلم الآلي - كيف تؤثر على تدريب النموذج، وتمنع الإفراط في التركيب، وتحسّن الأداء باستخدام Ultralytics YOLO.
في سياق تدريب نماذج الذكاء الاصطناعي، تشير إلى تمريرة واحدة كاملة لمجموعة بيانات التدريب بأكملها من خلال خوارزمية التعلم. إنها وحدة زمنية أساسية وحدة زمنية أساسية في تدريب الشبكات العصبونية (NN)، حيث تشير إلى النقطة التي يكون فيها أتيحت للنموذج فرصة التعلم من كل عينة في البيانات المقدمة مرة واحدة فقط. لأن نماذج التعلم العميق نادراً ما تصل نماذج التعلّم العميق إلى الأداء الأمثل بعد رؤية البيانات مرة واحدة فقط، فإن التدريب عادةً ما يتضمن تكرار هذه العملية على عدة دورات تدريبية لتقليل الأخطاء وتحسين المعلمات الداخلية.
الهدف الأساسي خلال فترة زمنية معينة هو تعديل أوزان النموذج أوزان النموذج لتعيين المدخلات إلى المخرجات الصحيحة الصحيحة بدقة. خلال هذه العملية، تقوم خوارزمية خوارزمية تحسين مثل خوارزمية التدرّجي العشوائيSGD)، تحسب الخطأ باستخدام محددة وتحديث الحالة الداخلية للنموذج.
غالبًا ما يكون التعلم بتمريرة واحدة غير كافٍ لأن مجموعات البيانات تحتوي على اختلافات معقدة وضوضاء. من خلال تشغيل عدة متعددة، يحسّن النموذج بشكل متكرر قدرته على أداء مهام مثل تصنيف الصور أو تجزئتها. يسمح هذا التحسين التكراري هذا يسمح للشبكة بتعميم أنماط من بيانات التدريب بدلاً من مجرد حفظ أمثلة محددة محددة. أطر التعلم العميق مثل PyTorch و TensorFlow آليات مدمجة للتحكم في حلقة التدريب على هذه الدورات.
لفهم كيفية عمل حلقات التدريب بكفاءة، من الضروري التمييز بين ثلاثة مصطلحات وثيقة الصلة مصطلحات متقاربة غالباً ما يتم الخلط بينها من قبل المبتدئين:
على سبيل المثال، إذا كان لديك مجموعة بيانات مكوّنة من 10,000 صورة وقمت بتعيين حجم دفعة من 100 صورة، سيستغرق الأمر 100 تكرار ل لإكمال حقبة واحدة.
يعد اختيار العدد الصحيح من الحقب الزمنية جانبًا حاسمًا من جوانب ضبط البارامتر الفائق. يمكن أن يؤدي التدريب لعدد قليل جدًا أو الكثير من الدورات يمكن أن يؤدي إلى أداء دون المستوى الأمثل.
للتخفيف من هذه المشكلات، غالبًا ما يستخدم المهندسون الإيقاف المبكر، وهي تقنية توقف التدريب عندما يتوقف تتوقف خسارة التحقق من الصحة عن التحسن، بغض النظر عن إجمالي الحقب الزمنية المحددة. تُستخدم أدوات التصور مثل TensorBoard بشكل متكرر لمراقبة هذه المقاييس في في الوقت الحقيقي.
يعد مفهوم الحقب الزمنية مفهومًا عالميًا في مختلف مجالات مجالات التعلم الآلي (ML) المختلفة.
عند استخدام ultralytics المكتبة، يكون تحديد عدد الحقب الزمنية أمرًا بسيطًا ومباشرًا. إن
train() تقبل طريقة epochs والتي تتحكم في عدد المرات التي يكررها النموذج
على البيانات المتوفرة.
from ultralytics import YOLO
# Load the YOLO11 model (recommended for latest performance)
model = YOLO("yolo11n.pt")
# Train the model for 50 epochs on the COCO8 dataset
# The 'epochs' argument defines the total passes through the data
results = model.train(data="coco8.yaml", epochs=50, imgsz=640)
يوضّح هذا المقتطف كيفية بدء عملية تدريب حيث يقوم النموذج بتحسين فهمه لمجموعة بيانات مجموعة بيانات "coco8" 50 مرة منفصلة. بالنسبة للتطورات المستقبلية، تعمل Ultralytics حاليًا على تطوير YOLO26، الذي سيدعم التدريب الشامل بكفاءة أكبر، ومن المتوقع إطلاقه في أواخر عام 2025.
