Model Weights

أوزان النموذج هي المعلمات القابلة للتعلم داخل نموذج التعلم الآلي والتي تحول بيانات الإدخال إلى مخرجات متوقعة. في الشبكة العصبية، تمثل هذه الأوزان قوة الروابط بين الخلايا العصبية عبر الطبقات المختلفة. عند تهيئة النموذج، عادة ما يتم ضبط هذه الأوزان على قيم عشوائية صغيرة، مما يعني أن النموذج "لا يعرف" شيئًا. ومن خلال عملية تسمى التدريب، يقوم النموذج بتعديل هذه الأوزان بشكل تكراري بناءً على الأخطاء التي يرتكبها، مما يجعله يتعلم تدريجياً التعرف على الأنماط والميزات والعلاقات داخل البيانات. يمكنك التفكير في أوزان النموذج على أنها "ذاكرة" أو "معرفة" الذكاء الاصطناعي؛ فهي تخزن ما تعلمه النظام من بيانات التدريب الخاصة به.

Link to this sectionدور الأوزان في التعلم#

الهدف الأساسي من تدريب الشبكة العصبية هو العثور على المجموعة المثلى من أوزان النموذج التي تقلل الخطأ بين تنبؤات النموذج والحقيقة الفعلية. تتضمن هذه العملية تمرير البيانات عبر الشبكة - وهي خطوة تُعرف بالتمرير الأمامي (forward pass) - ثم حساب قيمة الخسارة باستخدام دالة خسارة محددة. إذا كان التنبؤ غير صحيح، تقوم خوارزمية تحسين مثل Stochastic Gradient Descent (SGD) أو مُحسِّن Muon الأحدث المستخدم في YOLO26 بحساب مقدار مساهمة كل وزن في الخطأ.

من خلال تقنية تسمى الانتشار العكسي، تقوم الخوارزمية بتحديث الأوزان قليلاً لتقليل الخطأ في المرة القادمة. تتكرر هذه الدورة آلاف أو ملايين المرات حتى تستقر أوزان النموذج ويحقق النظام دقة عالية. بمجرد اكتمال التدريب، يتم "تجميد" الأوزان وحفظها، مما يسمح بنشر النموذج لغرض الاستدلال على بيانات جديدة وغير مرئية.

Link to this sectionأوزان النموذج مقابل التحيزات#

من المهم التمييز بين الأوزان والتحيزات، حيث إنهما يعملان معًا ولكن لأغراض مختلفة. بينما تحدد أوزان النموذج قوة واتجاه الاتصال بين الخلايا العصبية (مما يتحكم في ميل التنشيط)، تسمح التحيزات بإزاحة دالة التنشيط إلى اليسار أو اليمين. يضمن هذا الإزاحة قدرة النموذج على ملاءمة البيانات بشكل أفضل، حتى عندما تكون جميع ميزات الإدخال صفراً. تشكل الأوزان والتحيزات معاً المعلمات القابلة للتعلم التي تحدد سلوك بنيات مثل الشبكات العصبية التلافيفية (CNNs).

Link to this sectionتطبيقات العالم الحقيقي#

أوزان النموذج هي المكون الأساسي الذي يمكن أنظمة الذكاء الاصطناعي من العمل في مختلف الصناعات. إليك مثالان ملموسان على كيفية تطبيقها:

• رؤية الكمبيوتر في قطاع التجزئة: في نظام سوبر ماركت ذكي، يستخدم نموذج مثل YOLO26 أوزانه المدربة لتحديد المنتجات على الرف. لقد "تعلمت" الأوزان ميزات بصرية - مثل شكل صندوق حبوب الإفطار أو لون علبة الصودا - مما يسمح للنظام باكتشاف العناصر، وإدارة المخزون، وحتى تسهيل عمليات الدفع الآلية بكفاءة.
• تحليل الصور الطبية: في الرعاية الصحية، تستخدم نماذج التعلم العميق أوزانًا متخصصة لتحليل الأشعة السينية أو فحوصات الرنين المغناطيسي. على سبيل المثال، يستخدم نموذج تم تدريبه لـ اكتشاف الأورام أوزانه للتمييز بين الأنسجة السليمة والشذوذ المحتمل. تلتقط هذه الأوزان أنماطاً معقدة وغير خطية في بيانات البكسل قد تكون خفية بالنسبة للعين البشرية، مما يساعد أطباء الأشعة في إجراء تشخيصات أسرع.

Link to this sectionحفظ وتحميل الأوزان#

من الناحية العملية، يتضمن العمل بأوزان النموذج حفظ المعلمات المدربة في ملف وتحميلها لاحقًا للتنبؤ أو الضبط الدقيق. في نظام Ultralytics، يتم تخزين هذه عادةً كملفات .pt (PyTorch).

إليك مثال بسيط حول كيفية تحميل الأوزان المدربة مسبقًا في 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.")

Link to this sectionالتعلم بنقل المعرفة والضبط الدقيق#

أحد أقوى جوانب أوزان النموذج هو قابليتها للنقل. بدلاً من تدريب نموذج من الصفر - وهو ما يتطلب مجموعات بيانات ضخمة وقوة حوسبة كبيرة - غالباً ما يستخدم المطورون التعلم بنقل المعرفة. يتضمن ذلك أخذ نموذج بأوزان مدربة مسبقًا على مجموعة بيانات كبيرة مثل COCO أو ImageNet وتكييفه مع مهمة محددة.

على سبيل المثال، يمكنك أخذ الأوزان من كاشف كائنات عام وإجراء ضبط دقيق لها على مجموعة بيانات أصغر لـ الألواح الشمسية. نظرًا لأن الأوزان المدربة مسبقًا تفهم بالفعل الحواف والأشكال والقوام، فإن النموذج يتقارب بشكل أسرع بكثير ويتطلب بيانات مصنفة أقل. تعمل أدوات مثل منصة Ultralytics على تبسيط هذه العملية، مما يسمح للفرق بإدارة مجموعات البيانات، وتدريب النماذج على السحابة، ونشر الأوزان المحسنة على أجهزة الحافة بسلاسة.

Link to this sectionالضغط والتحسين#

غالبًا ما يركز بحث الذكاء الاصطناعي الحديث على تقليل حجم ملف أوزان النموذج دون التضحية بالأداء، وهي عملية تُعرف بـ تكميم النموذج. من خلال تقليل دقة الأوزان (على سبيل المثال، من الفاصلة العائمة 32 بت إلى الأعداد الصحيحة 8 بت)، يمكن للمطورين تقليل استخدام الذاكرة بشكل كبير وتحسين سرعة الاستدلال. يعد هذا أمراً بالغ الأهمية لنشر النماذج على الأجهزة ذات الموارد المحدودة مثل الهواتف المحمولة أو أجهزة Raspberry Pi. بالإضافة إلى ذلك، تعمل تقنيات مثل التقليم على إزالة الأوزان التي تساهم بالقليل في المخرجات، مما يزيد من تبسيط النموذج للتطبيقات في الوقت الفعلي.