Model Weights

أوزان النموذج هي المعلمات القابلة للتعلّم داخل نموذج تعلّم آلي، والتي تحوّل بيانات الإدخال إلى مخرجات متوقعة. وتمثل هذه الأوزان في الشبكة العصبية قوة الروابط بين الخلايا العصبية عبر الطبقات المختلفة. عند تهيئة النموذج، تُضبط هذه الأوزان عادةً على قيم عشوائية صغيرة، ما يعني أن النموذج «لا يعرف» شيئًا. ومن خلال عملية تُسمى التدريب، يضبط النموذج هذه الأوزان تكراريًا استنادًا إلى الأخطاء التي يرتكبها، ليتعلم تدريجيًا التعرّف على الأنماط والسمات والعلاقات داخل البيانات. ويمكنك اعتبار أوزان النموذج «ذاكرة» الذكاء الاصطناعي أو «معرفته»؛ إذ تخزّن ما تعلّمه النظام من بيانات التدريب.

دور الأوزان في التعلّم#

الهدف الأساسي من تدريب الشبكة العصبية هو العثور على مجموعة أوزان النموذج المثلى التي تقلل الخطأ بين تنبؤات النموذج والحقيقة الأساسية الفعلية. وتتضمن هذه العملية تمرير البيانات عبر الشبكة — وهي خطوة تُعرف باسم المرور الأمامي — ثم حساب قيمة الخسارة باستخدام دالة خسارة محددة. وإذا كان التنبؤ غير صحيح، تحسب خوارزمية تحسين مثل الانحدار المتدرج العشوائي (SGD) أو مُحسِّن Muon الأحدث المستخدم في YOLO26 مقدار مساهمة كل وزن في الخطأ.

من خلال تقنية تُسمى الانتشار العكسي، تحدّث الخوارزمية الأوزان قليلًا لتقليل الخطأ في المرة التالية. وتتكرر هذه الدورة آلاف المرات أو ملايينها حتى تستقر أوزان النموذج ويحقق النظام دقة عالية. وبعد اكتمال التدريب، تُ «جمّد» الأوزان وتُحفظ، ما يتيح نشر النموذج لإجراء الاستدلال على بيانات جديدة لم يسبق رؤيتها.

أوزان النموذج مقابل الانحيازات#

من المهم التمييز بين الأوزان والانحيازات، إذ إنهما يعملان معًا لكنهما يؤديان أغراضًا مختلفة. ففي حين تحدد أوزان النموذج قوة اتجاه الاتصال بين الخلايا العصبية (وتتحكم في ميل دالة التنشيط)، تتيح الانحيازات إزاحة دالة التنشيط إلى اليسار أو اليمين. ويضمن هذا الإزياح قدرة النموذج على ملاءمة البيانات بصورة أفضل، حتى عندما تكون جميع سمات الإدخال مساوية للصفر. وتشكل الأوزان والانحيازات معًا المعلمات القابلة للتعلّم التي تحدد سلوك بنيات مثل الشبكات العصبية الالتفافية (CNNs).

التطبيقات الواقعية#

أوزان النموذج هي المكوّن الأساسي الذي يمكّن أنظمة الذكاء الاصطناعي من العمل في مختلف القطاعات. وفيما يلي مثالان ملموسان على كيفية تطبيقها:

• الرؤية الحاسوبية في قطاع التجزئة: في نظام متجر ذكي، يستخدم نموذج مثل YOLO26 أوزانه المدرّبة لتحديد المنتجات على الرف. فقد «تعلّمت» الأوزان سمات بصرية، مثل شكل علبة الحبوب أو لون علبة المشروبات الغازية، ما يتيح للنظام اكتشاف العناصر وإدارة المخزون، بل وتسهيل عمليات الدفع الآلي بكفاءة.
• تحليل الصور الطبية: في مجال الرعاية الصحية، تستخدم نماذج التعلّم العميق أوزانًا متخصصة لتحليل صور الأشعة السينية أو فحوصات MRI. فعلى سبيل المثال، يستخدم نموذج مدرّب على اكتشاف الأورام أوزانه للتمييز بين الأنسجة السليمة والشذوذات المحتملة. وتلتقط هذه الأوزان أنماطًا معقدة وغير خطية في بيانات البكسلات قد تكون دقيقة على نحو يصعب على العين البشرية ملاحظته، ما يساعد أطباء الأشعة على إجراء تشخيصات أسرع.

حفظ الأوزان وتحميلها#

عمليًا، يتضمن العمل مع أوزان النموذج حفظ المعلمات المدرّبة في ملف ثم تحميلها لاحقًا للتنبؤ أو الضبط الدقيق. وفي منظومة Ultralytics، تُخزّن هذه الأوزان عادةً في ملفات .pt (PyTorch).

فيما يلي مثال بسيط على كيفية تحميل أوزان مدرّبة مسبقًا إلى نموذج YOLO وتشغيل تنبؤ:

from ultralytics import YOLO

# Load a model with pre-trained weights (e.g., YOLO26n)
model = YOLO("yolo26n.pt")

# Run inference on an image using the loaded weights
results = model("https://ultralytics.com/images/bus.jpg")

# Print the number of detected objects
print(f"Detected {len(results[0].boxes)} objects.")

التعلّم بالنقل والضبط الدقيق#

من أقوى جوانب أوزان النموذج قابليتها للنقل. فبدلًا من تدريب نموذج من الصفر — وهو ما يتطلب مجموعات بيانات ضخمة وقدرة حوسبية كبيرة — يستخدم المطورون غالبًا التعلّم بالنقل. ويتضمن ذلك أخذ نموذج ذي أوزان مدرّبة مسبقًا على مجموعة بيانات كبيرة مثل COCO أو ImageNet وتكييفه لمهمة محددة.

على سبيل المثال، قد تأخذ أوزان كاشف أجسام عام وتضبطها دقيقًا على مجموعة بيانات أصغر من الألواح الشمسية. وبما أن الأوزان المدرّبة مسبقًا تفهم الحواف والأشكال والأنسجة بالفعل، فإن النموذج يتقارب بسرعة أكبر بكثير ويتطلب قدرًا أقل من البيانات الموسومة. وتبسط أدوات مثل منصة Ultralytics هذه العملية، إذ تتيح للفرق إدارة مجموعات البيانات وتدريب النماذج على السحابة ونشر الأوزان المحسّنة على الأجهزة الطرفية بسلاسة.

الضغط والتحسين#

يركز البحث الحديث في الذكاء الاصطناعي غالبًا على تقليل حجم ملف أوزان النموذج دون التضحية بالأداء، وهي عملية تُعرف باسم تكميم النموذج. ومن خلال تقليل دقة الأوزان (مثل الانتقال من أعداد الفاصلة العائمة ذات 32 بت إلى أعداد صحيحة ذات 8 بت)، يمكن للمطورين خفض استخدام الذاكرة بدرجة كبيرة وتحسين سرعة الاستدلال. ويُعد ذلك أمرًا بالغ الأهمية لنشر النماذج على أجهزة محدودة الموارد، مثل الهواتف المحمولة أو أجهزة Raspberry Pi. بالإضافة إلى ذلك، تزيل تقنيات مثل التقليم الأوزان التي تسهم قليلًا في المخرجات، ما يزيد من تبسيط النموذج للتطبيقات الفورية.