Hyperparameter Tuning

ضبط المعلمات الفائقة هو العملية التكرارية لتحسين متغيرات التكوين الخارجية التي تحكم عملية التدريب لنموذج تعلم آلي (ML). على عكس المعلمات الداخلية — مثل الأوزان والانحيازات التي يتم تعلمها من البيانات أثناء التدريب — يتم تعيين المعلمات الفائقة بواسطة عالم البيانات أو المهندس قبل أن تبدأ عملية التعلم. تتحكم هذه الإعدادات في هيكل النموذج وسلوك الخوارزمية، وتهيئة الأداء بدقة. إن العثور على التشكيلة المثالية لهذه القيم أمر بالغ الأهمية لزيادة مقاييس مثل الدقة والكفاءة إلى أقصى حد، وغالباً ما يصنع الفارق بين نموذج متوسط الحلول والحلول الحديثة.

المفاهيم والتقنيات الأساسية#

مجموعة جميع التشكيلات المحتملة للمعلمات الفائقة تخلق مساحة بحث عالية الأبعاد. يستخدم الممارسون استراتيجيات مختلفة للتنقل في هذه مساحة للعثور على التكوين الأمثل الذي يقلل من دالة الخسارة.

• بحث الشبكة: تقيم هذه الطريقة الشاملة النموذج لكل مجموعة محددة من المعلمات في شبكة. على الرغم من أنها شاملة، إلا أنها مكلفة حسابياً وتعاني من لعنة الأبعاد عند التعامل مع العديد من المتغيرات.
• البحث العشوائي: بدلاً من اختبار كل مجموعة، تحدد هذه التقنية مجموعات عشوائية من المعلمات الفائقة. تشير الأبحاث إلى أن هذا غالباً ما يكون أكثر كفاءة من بحث الشبكة، حيث يستكشف مساحة البحث بشكل أكثر فعالية للمعلمات الأكثر تأثيرًا.
• التحسين البايزي: يبني هذا النهج الاحتمالي نموذجاً بديلاً للتنبؤ بالمعلمات الفائقة التي ستعطي أفضل النتائج بناءً على التقييمات السابقة، مع تركيز البحث على المناطق الأكثر واعدة.
• الخوارزميات التطورية: مستوحاة من التطور البيولوجي، تستخدم هذه الطريقة آليات مثل الطفرة والعبور لتطوير مجموعة من التكوينات عبر الأجيال. هذه هي الطريقة الأساسية التي تستخدمها مكتبة ultralytics لتحسين الهندسات المعمارية الحديثة مثل YOLO26.

ضبط المعاملات الفائقة مقابل تدريب النموذج#

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

• تدريب النموذج: العملية التي تكرر فيها الخوارزمية بيانات التدريب لتعلم المعلمات الداخلية عبر الانتشار العكسي. الهدف هو تقليل الخطأ في مجموعة التدريب.
• ضبط المعلمات الفائقة: العملية الوصفية لاختيار إعدادات التشغيل — مثل معدل التعلم، وحجم الدفعة، والزخم — قبل أن يبدأ التدريب. الهدف هو زيادة الأداء على بيانات التحقق إلى أقصى حد لمنع فرط التخصيص.

تطبيقات العالم الحقيقي#

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

الزراعة الدقيقة#

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

التشخيص الطبي#

بالنسبة إلى الذكاء الاصطناعي في الرعاية الصحية، وتحديداً في تحليل الصور الطبية، يمكن أن يكون للنتيجة السلبية الزائفة عواقب وخيمة. عند تدريب النماذج لاكتشاف الشذوذ في مسوحات التصوير بالرنين المغناطيسي، يقوم الممارسون بضبط المعلمات الفائقة المتعلقة بوزن الفئة وخسارة البؤرة بقوة. يزيد هذا الضبط من الاستدعاء إلى أقصى حد، مما يضمن الإبلاغ حتى عن أدق علامات علم الأمراض لمراجعتها بشرية، مما يساعد بشكل كبير في التشخيص المبكر.

الضبط المؤتمت مع Ultralytics#

تبسط مكتبة ultralytics عملية التحسين من خلال تضمين أداة ضبط مدمجة تستخدم الخوارزميات الجينية. يتيح ذلك للمستخدمين البحث تلقائياً عن أفضل المعلمات الفائقة لمجموعات البيانات المخصصة الخاصة بهم دون تجربة وخطأ يدوي. للعمليات واسعة النطاق، يمكن للفرق الاستفادة من Ultralytics Platform لإدارة مجموعات البيانات وتصور تجارب الضبط هذه في السحابة.

يوضح المثال التالي كيفية بدء ضبط المعلمات الفائقة لنموذج YOLO26. ستقوم أداة الضبط بتعديل المعلمات الفائقة عبر عدة تكرارات لزيادة متوسط الدقة (mAP) إلى أقصى حد.

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 التعلم الآلي الآلي (AutoML)، حيث يقوم النظام بتحسين نفسه لتحقيق أفضل أداء ممكن لمهمة معينة.