اضبط بدقة نماذج تعلم الآلة مثل Ultralytics YOLO لمهام محددة. تعلم الأساليب والتطبيقات وأفضل الممارسات هنا!
الضبط الدقيق هو أسلوب أساسي في التعلم الآلي (ML) يتضمن أخذ نموذج مُدرَّب مسبقًا على مجموعة بيانات عامة وكبيرة، ثم تدريبه بشكل إضافي على مجموعة بيانات أصغر وأكثر تخصصًا. هذه العملية، وهي شكل من أشكال التعلم بالنقل، تعمل على تكييف المعرفة التي اكتسبها النموذج للتفوق في مهمة معينة دون الحاجة إلى تدريب نموذج من الصفر. من خلال البدء بـ نموذج تأسيسي قوي، يمكن للمطورين تحقيق أداء عالٍ باستخدام بيانات وموارد حسابية أقل بكثير، وهو مفهوم استكشفته مؤسسات مثل مختبر ستانفورد للذكاء الاصطناعي.
تبدأ العملية بنموذج تم بالفعل تحسين أوزانه على مجموعة بيانات واسعة مثل ImageNet للرؤية أو مجموعة نصوص ضخمة لـ نماذج اللغة الكبيرة (LLMs). يفهم هذا النموذج المدرب مسبقًا بالفعل الميزات العامة - مثل الحواف والقوام في الصور أو القواعد النحوية والدلالات في النص. ثم يواصل الضبط الدقيق عملية التدريب، عادةً باستخدام معدل تعلم أقل، على مجموعة بيانات مخصصة مصممة خصيصًا للتطبيق المستهدف. يؤدي هذا إلى ضبط معلمات النموذج لتصبح متخصصة في الفروق الدقيقة المحددة للمهمة الجديدة. توفر أطر العمل مثل PyTorch و TensorFlow أدوات واسعة لتنفيذ مهام سير العمل الخاصة بالضبط الدقيق.
يستخدم الضبط الدقيق على نطاق واسع في رؤية الحاسوب (CV) و معالجة اللغة الطبيعية (NLP).
من المهم التمييز بين الضبط الدقيق وتقنيات تكييف النموذج الأخرى:
تبسّط Ultralytics عملية الضبط الدقيق لنماذج YOLO الحديثة لتطبيقات مخصصة. يمكن للمستخدمين بسهولة تحميل الأوزان المدربة مسبقًا والبدء في التدريب على مجموعات البيانات الخاصة بهم لمهام مثل تصنيف الصور أو الكشف أو التجزئة. تزيد منصة Ultralytics HUB من تبسيط سير العمل هذا، حيث توفر حلاً متكاملاً لإدارة مجموعات البيانات وتدريب النماذج و النشر النهائي. للحصول على أفضل أداء، غالبًا ما يتم دمج الضبط الدقيق مع ضبط المعلمات الفائقة بعناية.
