Hyperparameter Tuning

ضبط المعاملات الفائقة هو عملية تكرارية لتحسين متغيرات التكوين الخارجية التي تحكم عملية تدريب نموذج تعلم الآلة (ML). بخلاف المعاملات الداخلية —مثل الأوزان والانحيازات التي يتم تعلمها من البيانات أثناء التدريب— يتم تعيين المعاملات الفائقة بواسطة عالم البيانات أو المهندس قبل بدء عملية التعلم. تتحكم هذه الإعدادات في هيكل النموذج وسلوك الخوارزمية، وتعمل بمثابة "أدوات التحكم" التي تضبط الأداء بدقة. يعد العثور على المجموعة المثالية من هذه القيم أمراً بالغ الأهمية لتعظيم مقاييس مثل الدقة والكفاءة، مما يحدث غالباً فرقاً كبيراً بين نموذج متوسط وحل متطور.

Link to this sectionالمفاهيم والتقنيات الأساسية#

تخلق مجموعة كل تركيبات المعاملات الفائقة الممكنة مساحة بحث عالية الأبعاد. يستخدم الممارسون استراتيجيات متنوعة للتنقل في هذه المساحة للعثور على التكوين الأمثل الذي يقلل دالة الخسارة.

• البحث الشبكي: تقيّم هذه الطريقة الشاملة النموذج لكل تركيبة محددة من المعاملات في شبكة. على الرغم من دقتها، إلا أنها مكلفة حسابياً وتعاني من لعنة الأبعاد عند التعامل مع العديد من المتغيرات.
• البحث العشوائي: بدلاً من اختبار كل تركيبة، تختار هذه التقنية تركيبات عشوائية من المعاملات الفائقة. تشير الأبحاث إلى أن هذا غالباً ما يكون أكثر كفاءة من البحث الشبكي، لأنه يستكشف مساحة البحث بشكل أكثر فعالية للمعاملات الأكثر تأثيراً.
• التحسين البايزي: يبني هذا النهج الاحتمالي نموذجاً بديلاً للتنبؤ بالمعاملات الفائقة التي ستحقق أفضل النتائج بناءً على التقييمات السابقة، مما يركز البحث على المناطق الأكثر واعدية.
• الخوارزميات التطورية: مستوحاة من التطور البيولوجي، تستخدم هذه الطريقة آليات مثل الطفرة والتقاطع لتطوير مجموعة من التكوينات عبر الأجيال. هذه هي الطريقة الأساسية التي تستخدمها مكتبة ultralytics لتحسين بنيات حديثة مثل YOLO26.

Link to this sectionضبط المعاملات الفائقة مقابل تدريب النموذج#

من الضروري التمييز بين الضبط والتدريب، حيث يمثلان مرحلتين متميزتين في دورة حياة MLOps:

• تدريب النموذج: العملية التي تتكرر فيها الخوارزمية عبر بيانات التدريب لتعلم المعاملات الداخلية عبر الانتشار العكسي. الهدف هو تقليل الخطأ في مجموعة التدريب.
• ضبط المعاملات الفائقة: العملية الميتا لاختيار الإعدادات التشغيلية —مثل معدل التعلم، وحجم الدفعة، والزخم— قبل بدء التدريب. الهدف هو تعظيم الأداء على بيانات التحقق لمنع الإفراط في التخصيص.

Link to this sectionتطبيقات العالم الحقيقي#

تعتبر النماذج المضبوطة بفعالية أمراً بالغ الأهمية لنشر حلول قوية في بيئات معقدة.

Link to this sectionالزراعة الدقيقة#

في الذكاء الاصطناعي في الزراعة، تستخدم الطائرات بدون طيار المستقلة الرؤية الحاسوبية لتحديد الأعشاب الضارة وأمراض المحاصيل. تعمل هذه النماذج غالباً على أجهزة طرفية ذات عمر بطارية محدود. يستخدم المهندسون ضبط المعاملات الفائقة لتحسين خط أنابيب تعزيز البيانات ودقة الإدخال، مما يضمن توازن النموذج بين سرعات الاستدلال العالية والدقة اللازمة لرش الأعشاب الضارة فقط، مما يقلل من استخدام المواد الكيميائية.

Link to this sectionالتشخيص الطبي#

بالنسبة لـ الذكاء الاصطناعي في الرعاية الصحية، وتحديداً في تحليل الصور الطبية، يمكن أن يكون للنتيجة السلبية الكاذبة عواقب وخيمة. عند تدريب النماذج للكشف عن الشذوذ في فحوصات الرنين المغناطيسي، يقوم الممارسون بضبط المعاملات الفائقة بقوة والمتعلقة بترجيح الفئات وخسارة التركيز (focal loss). يعمل هذا الضبط على تعظيم الاستدعاء، مما يضمن تحديد حتى العلامات الدقيقة للأمراض للمراجعة البشرية، مما يساعد بشكل كبير في التشخيص المبكر.

Link to this sectionالضبط المؤتمت مع Ultralytics#

تبسط مكتبة ultralytics التحسين من خلال تضمين موالف مدمج يستخدم الخوارزميات الجينية. يتيح ذلك للمستخدمين البحث تلقائياً عن أفضل المعاملات الفائقة لمجموعات بياناتهم المخصصة دون الحاجة إلى التجربة والخطأ يدوياً. بالنسبة للعمليات واسعة النطاق، يمكن للفرق الاستفادة من منصة Ultralytics لإدارة مجموعات البيانات وتصور تجارب الضبط هذه في السحابة.

يوضح المثال التالي كيفية بدء ضبط المعاملات الفائقة لنموذج YOLO26. سيقوم الموالف بتغيير المعاملات الفائقة عبر عدة تكرارات لتعظيم متوسط الدقة (mAP).

from ultralytics import YOLO

# Initialize a YOLO26 model (using the 'nano' weight for speed)
model = YOLO("yolo26n.pt")

# Start tuning hyperparameters on the COCO8 dataset
# The tuner runs for 30 epochs per iteration, evolving parameters like lr0 and momentum
model.tune(data="coco8.yaml", epochs=30, iterations=100, optimizer="AdamW", plots=False)

من خلال أتمتة هذه العملية، يمكن للمطورين الاقتراب أكثر من مفهوم تعلم الآلة المؤتمت (AutoML)، حيث يقوم النظام بتحسين نفسه لتحقيق أفضل أداء ممكن لمهمة محددة.