قم بضبط نماذج التعلم الآلي مثل Ultralytics YOLO لمهام محددة. تعرّف على الأساليب والتطبيقات وأفضل الممارسات هنا!
الضبط الدقيق هو أسلوب استراتيجي تقنية تعلّم آلي (ML) تُستخدم في تخصيص نموذج مدرب مسبقًا لمهمة أو مجموعة بيانات محددة. بدلاً من التدريب من الصفر، الأمر الذي يتطلب كميات هائلة من البيانات الموسومة والقدرة الحاسوبية، يستفيد الضبط الدقيق من الحالية لنموذج تعلّم بالفعل أنماطًا من مجموعة بيانات عامة واسعة. هذه العملية هي تطبيق عملي تطبيق عملي لنقل التعلم، مما يسمح للمطورين للمطورين بتحقيق أداء عالٍ في المشاكل المتخصصة - مثل اكتشاف عيوب التصنيع النادرة أو تصنيف الصور الطبية - بموارد أقل بكثير.
تبدأ العملية بنموذج أساسي، مثل كنموذج رؤية مدرب على ImageNet أو نموذج لغوي مدرب على مجموعة الإنترنت. تمتلك هذه النماذج فهماً قوياً للميزات الأساسية مثل الحواف والأنسجة والأشكال في الصور، أو القواعد والدلالات في النصوص. أثناء الضبط الدقيق، يتم تعريض النموذج لمجموعة بيانات جديدة أصغر مجموعة بيانات مخصصة جديدة ذات صلة بالتطبيق المستهدف.
تتضمن عملية التدريب تعديل أوزان النموذج بشكل طفيف لاستيعاب الفروق الدقيقة في البيانات الجديدة. عادةً ما يتم ذلك باستخدام أقل للحفاظ على الميزات القيّمة القيمة المكتسبة خلال مرحلة ما قبل التدريب الأولي مع السماح للنموذج بالتكيف. في العديد من سير عمل الرؤية الحاسوبية (CV) ، قد يقوم المهندسون بتجميد الطبقات الأولى من العمود الفقري - التي detect السمات الأساسية الأساسية - التي تكشف عن الميزات الأساسية - ويقومون فقط بضبط الطبقات الأعمق و رأس الكشف المسؤول عن إجراء التنبؤات النهائية التنبؤات النهائية.
تكييف نموذج متطور مثل Ultralytics YOLO11 مع لبياناتك الخاصة بشكل مباشر. تتعامل المكتبة تلقائيًا مع تعقيدات تحميل الأوزان المدربة مسبقًا وتكوين حلقة التدريب.
يوضّح المثال التالي كيفية تحميل نموذج YOLO11 المدرّب مسبقًا وضبطه على مجموعة بيانات نموذجية.
from ultralytics import YOLO
# Load a pre-trained YOLO11 model (uses COCO weights by default)
model = YOLO("yolo11n.pt")
# Fine-tune the model on a specific dataset configuration
# 'epochs' sets the training duration, and 'imgsz' defines input resolution
results = model.train(data="coco8.yaml", epochs=20, imgsz=640)
يعمل الضبط الدقيق على سد الفجوة بين القدرات العامة للذكاء الاصطناعي والمتطلبات الخاصة بالصناعة.
إن التمييز بين الضبط الدقيق وطرق التكيف الأخرى أمر بالغ الأهمية لاختيار النهج الصحيح:
لتنفيذ الضبط الدقيق، يعتمد المطورون على أطر عمل قوية مثل PyTorch و TensorFlowالتي توفر البنية التحتية اللازمة ل لنسب التدرج والتناسل العكسي. تعمل المكتبات الحديثة تبسط هذا الأمر بشكل أكبر؛ على سبيل المثال، يسمح نظام Ultralytics البيئي التدريب والتحقق من صحة النموذج بسلاسة. عند إعداد البيانات من أجل للضبط الدقيق، فإن ضمان جودة عالية عالية الجودة للبيانات أمر ضروري لمنع تحيز مجموعة البيانات، والذي يمكن أن يحرف أداء النموذج في سيناريوهات العالم الحقيقي.
