ترخيص YOLO
العودة إلى مسرد Ultralytics

Huber Loss

تجمع خسارة هوبر بين الخطأ التربيعي والخطأ المطلق لتقليل تأثير القيم الشاذة في الانحدار، مع عتبة دلتا قابلة للضبط وتطبيق بلغة Python.

خسارة هوبر هي دالة خسارة للانحدار، تعاقب أخطاء التنبؤ الصغيرة تربيعيًا والأخطاء الكبيرة خطيًا. وتوفر للنماذج دالة هدف سلسة قرب الإجابة الصحيحة، مع تقليل تأثير الأخطاء الكبيرة على نحو غير معتاد. وهذا يجعلها مفيدة عندما تتبع معظم أمثلة التدريب نمطًا متسقًا، بينما يحتوي بعضها على انحرافات قصوى.

قدّم بيتر ج. هوبر هذه الدالة في ورقته البحثية الصادرة عام 1964 بعنوان التقدير المتين لمَعلمة الموقع. ولا تزال أداة أساسية للتقدير المتين: أي ملاءمة نموذج تكون تنبؤاته أقل تأثرًا بالقيم الشاذة.

آلية عمل خسارة هوبر#

الباقي هو القيمة المتنبأ بها مطروحًا منها القيمة المستهدفة. تستخدم خسارة هوبر عتبة موجبة تسمى دلتا لتحديد كيفية إسهام هذا الباقي في دالة الهدف:

  • البواقي الصغيرة: عندما لا يتجاوز مقدار الباقي دلتا، تساوي الخسارة نصف مربع الباقي.
  • البواقي الكبيرة: عندما يتجاوز الباقي دلتا، تساوي الخسارة دلتا × (مقدار الباقي - 0.5 × دلتا).

يلتقي الفرعان عند القيمة والميل نفسيهما. أثناء الانتشار العكسي، يساوي المشتق بالنسبة إلى التنبؤ الباقي ضمن المنطقة التربيعية؛ أما خارجها، فيُحد مقدار المشتق عند دلتا. ونتيجة لذلك، لا تؤدي البواقي المتزايدة الكِبر إلى تدرجات تنبؤ متزايدة الكِبر. ويحد الذيل الخطي من مدى تأثير الخطأ الشديد في إبعاد الملاءمة عن المشاهدات المتبقية.

اختيار دلتا ومقارنة دوال الخسارة#

يحسب متوسط مربع الخطأ (MSE) متوسط مربعات البواقي، ويولي الأخطاء الكبيرة أهمية بالغة. أما متوسط الخطأ المطلق (MAE)، الذي يُسمى أيضًا خسارة L1 عند تطبيقه على كل عنصر، فيستخدم مقادير البواقي المطلقة في جميع الحالات، وله زاوية حادة عند الصفر. تجمع خسارة هوبر بين السلوك التربيعي قرب الصفر والذيول الخطية، موفرةً دالة هدف قابلة للاشتقاق باستمرار من أجل الانحدار المتدرج.

توسّع قيمة دلتا الأكبر نطاق منطقة الخطأ التربيعي. أما قيمة دلتا الأصغر، فتنقل مزيدًا من البواقي إلى المنطقة الخطية المقاومة للقيم الشاذة وتخفض ميلها. ولأن وحدة دلتا هي نفسها وحدة الباقي، فإن تطبيع القيم المستهدفة يغيّر دلالتها. ويتطلب تحويل القيم المستهدفة من الأمتار إلى السنتيمترات ضرب دلتا في 100 للحفاظ على الانتقال نفسه بالنسبة إلى البيانات.

يمثل اختيار دلتا مسألة ضبط المعلمات الفائقة: إذ تُقارن القيم المرشحة باستخدام بيانات التحقق وفق مقياس الانحدار المقصود. تناسب خسارة هوبر التنبؤ بقيم مستمرة؛ أما خسارة الانتروبيا المتقاطعة وخسارة المفصلة فتناسبان أهداف التصنيف.

تطبيقات في الانحدار والرؤية الحاسوبية#

في الانحدار الخطي، قد تؤدي المشاهدات الشديدة إلى إبعاد ملاءمة الخطأ التربيعي عن الاتجاه العام للبيانات. وتتبّع ملاءمة HuberRegressor لمجموعة بيانات انحدار مولّدة أُضيفت إليها أربع قيم شاذة الاتجاه العام عن كثب أكثر من ملاءمة الخطأ التربيعي المتأثرة بتلك المشاهدات.

في اكتشاف الأجسام، تستخدم طريقة Fast R-CNN التي وضعها روس جيرشيك خسارة Smooth L1، المكافئة لخسارة هوبر ذات دلتا تساوي واحدًا، من أجل انحدار الصناديق المحيطة. وتقلل ذيولها الخطية الحساسية لأخطاء الإحداثيات الشاذة، التي قد تؤدي لولا ذلك إلى تدرجات كبيرة أثناء التدريب.

تدعم Ultralytics YOLO معايير التدريب المخصصة عبر الطريقة init_criterion() الخاصة بالنموذج، ما يتيح نقطة تكامل لأهداف الانحدار المخصصة القائمة على خسارة هوبر. ويغيّر هذا التخصيص كيفية إسهام أخطاء الانحدار في تحديثات النموذج.

خسارة هوبر في Python#

توفر PyTorch الدالة torch.nn.HuberLoss مع إمكانية ضبط دلتا وطريقة الاختزال. بعد تثبيت torch باستخدام pip install torch، تعرض العملية الحسابية التالية إسهام كل باقٍ:

import torch

predictions = torch.tensor([0.5, 2.0, 10.0])
targets = torch.zeros_like(predictions)

# ⁨احتفظ بالخسائر الفردية لإظهار الذيل الخطي.⁩
criterion = torch.nn.HuberLoss(delta=1.0, reduction="none")
huber_losses = criterion(predictions, targets)
squared_errors = (predictions - targets).square()

print("Huber losses:", huber_losses.tolist())
print("Squared errors:", squared_errors.tolist())

الناتج هو [0.125, 1.5, 9.5] مقابل [0.25, 4.0, 100.0]، ما يبيّن انخفاض نمو العقوبة للبواقي الكبيرة. باستخدام reduction="mean"، تحسب PyTorch متوسط جميع الخسائر على مستوى العناصر؛ أما "sum" فتجمعها.

خسارة هوبر الزائفة تقارب شكل خسارة هوبر بانتقال سلس ومشتقات مستمرة من رتب أعلى. وتستخدم Smooth L1 اصطلاحًا مختلفًا للتحجيم: ففي PyTorch، عندما تساوي beta قيمة delta، تساوي خسارة هوبر خسارة Smooth L1 مضروبة في دلتا؛ وتتطابقان عندما تساوي كلتا العتبتين 1.

استكشف الحلول

الرؤية الحاسوبية في الرياضة

الرؤية الحاسوبية في الرياضة

اكتشف كيف يعزّز Ultralytics YOLO الرؤية الحاسوبية الرياضية عبر تتبّع اللاعبين والكرة، وتحليلات الأداء، ورؤى التدريب، وإعادة تأهيل الرياضيين.
معرفة المزيد
الرؤية الحاسوبية للصور الجوية

الرؤية الحاسوبية للصور الجوية

حوّل صور الطائرات المسيّرة والصور الجوية إلى رؤى آنية للزراعة وتربية الأحياء المائية والحفاظ على البيئة والتحليل الجغرافي المكاني باستخدام Ultralytics YOLO.
معرفة المزيد
الرؤية الحاسوبية في قطاع الطيران والفضاء

الرؤية الحاسوبية في قطاع الطيران والفضاء

طبّق الرؤية الحاسوبية في مجال الطيران والفضاء باستخدام Ultralytics YOLO لفحص الطائرات، واكتشاف الأجسام الغريبة على المدارج (FOD)، والعمليات الأرضية في المطارات، واكتشاف عيوب المواد المركّبة.
معرفة المزيد
الرؤية الحاسوبية في مجال الأمن

الرؤية الحاسوبية في مجال الأمن

احمِ كل موقع باستخدام نماذج Ultralytics YOLO. يدعم الذكاء الاصطناعي البصري مراقبة المحيط، واكتشاف التهديدات، والتعرف على لوحات المركبات، والسلامة في مكان العمل.
معرفة المزيد
الرؤية الحاسوبية في الروبوتات

الرؤية الحاسوبية في الروبوتات

عزّز أداء الآلات الذكية باستخدام نماذج Ultralytics YOLO. يدعم الذكاء الاصطناعي البصري في الروبوتات الملاحة الذاتية والإدراك وتعقب الأجسام والتحكم الآني.
معرفة المزيد
الرؤية الحاسوبية في الخدمات اللوجستية

الرؤية الحاسوبية في الخدمات اللوجستية

بسّط العمليات اللوجستية باستخدام نماذج Ultralytics YOLO. يتيح الذكاء الاصطناعي البصري فحص الطرود وفرزها وتتبع المركبات ومراقبة سلامة المستودعات في الوقت الفعلي.
معرفة المزيد
الرؤية الحاسوبية في تجارة التجزئة

الرؤية الحاسوبية في تجارة التجزئة

أعِد تصور تجارة التجزئة باستخدام نماذج Ultralytics YOLO. يتيح الذكاء الاصطناعي البصري تتبع المخزون ومراقبة الرفوف وإدارة الطوابير واستخلاص رؤى أذكى عن العملاء.
معرفة المزيد
الرؤية الحاسوبية في الرعاية الصحية

الرؤية الحاسوبية في الرعاية الصحية

أنشئ حلولًا للرعاية الصحية باستخدام نماذج Ultralytics YOLO. يعزز الذكاء الاصطناعي البصري في الرعاية الصحية سرعة التصوير الطبي، وكفاءة التشخيص، ومراقبة المرضى.
معرفة المزيد
الرؤية الحاسوبية في التصنيع

الرؤية الحاسوبية في التصنيع

حسّن التصنيع باستخدام نماذج Ultralytics YOLO. يعزز الذكاء الاصطناعي للرؤية مراقبة الجودة واكتشاف العيوب والالتزام بمعدات الوقاية الشخصية وأتمتة خطوط التجميع.
معرفة المزيد
الرؤية الحاسوبية في قطاع السيارات

الرؤية الحاسوبية في قطاع السيارات

طبّق الرؤية الحاسوبية في قطاع السيارات باستخدام نماذج Ultralytics YOLO. يعزز الذكاء الاصطناعي للرؤية سلامة الطرق ومساعدة السائق وأتمتة المركبات لإنشاء طرق أكثر ذكاءً.
معرفة المزيد
الرؤية الحاسوبية في الزراعة

الرؤية الحاسوبية في الزراعة

أدخل الذكاء الاصطناعي البصري إلى الزراعة الذكية باستخدام نماذج Ultralytics YOLO. عزّز مراقبة المحاصيل وتتبع الماشية والزراعة الدقيقة لزيادة الإنتاجية وتحسينها.
معرفة المزيد

لنبنِ مستقبل الذكاء الاصطناعي معًا!

ابدأ رحلتك نحو مستقبل تعلّم الآلة