Online Learning
تعرف على كيفية تمكين التعلم عبر الإنترنت من تحديثات النماذج المتزايدة، والتكيف مع انحراف المفهوم، ودعم سير عمل رؤية حاسوبية أكثر أمانًا باستخدام Ultralytics YOLO26.
التعلم عبر الإنترنت هو نهج تعلم آلي يقوم فيه النموذج بالتحديث تدريجياً مع وصول أمثلة جديدة، بدلاً من التدريب لمرة واحدة على مجموعة بيانات ثابتة. يشير المصطلح إلى تحديثات النموذج المتدفقة أو المتسلسلة، وليس التعليم القائم على الإنترنت. يمكن للمتعلم عبر الإنترنت التنبؤ، وتلقي التعليقات، والتحديث بعد كل عينة أو دفعة صغيرة، كما هو موضح في تعريف التعلم عبر الإنترنت لـ scikit-learn. وهذا يجعله مفيداً عندما تكون البيانات مستمرة، أو كبيرة جداً بالنسبة للذاكرة، أو تتغير بمرور الوقت. (scikit-learn.org)
Link to this sectionكيف يعمل التعلم عبر الإنترنت#
الدورة النموذجية هي:
- يتلقى النموذج مدخلات جديدة ويقوم بعمل تنبؤ.
- تصبح التسمية أو إشارة التعليقات متاحة.
- يتم حساب الخسارة وتحديث معلمات النموذج.
- يتم قياس الأداء قبل معالجة المثال التالي.
تنفذ مكتبات مثل River للتعلم الآلي المتدفق سير عمل التنبؤ ثم التعلم هذا باستخدام أساليب مثل predict_one() و learn_one(). يمكن للشبكات العصبية استخدام نفس المبدأ من خلال خطوات تحسين PyTorch المتكررة، على الرغم من أن النماذج العميقة تقوم عادةً بالتحديث على دفعات صغيرة لتحقيق الكفاءة الحسابية. (docs.pytorch.org)
التعلم عبر الإنترنت ذو قيمة خاصة في ظل انحراف المفهوم، حيث تتغير العلاقة بين المدخلات والمخرجات. تشمل الأمثلة أنماط حركة المرور الموسمية، وتغير سلوك العملاء، وعيوب التصنيع الجديدة، أو الكاميرات المثبتة في ظل ظروف إضاءة مختلفة. يسلط استطلاع عام 2024 لانحراف المفهوم المتكرر الضوء على أن الظروف المتكررة، مثل الطقس ووقت اليوم، تتطلب من الأنظمة التعرف على التوزيعات التي تمت مواجهتها سابقاً والتكيف معها. (ijcai.org)
Link to this sectionالتعلم عبر الإنترنت في الرؤية الحاسوبية#
لا تقوم Ultralytics YOLO بتحديثات غير خاضعة للرقابة للأوزان لكل إطار أثناء الاستدلال. بدلاً من ذلك، يمكن للفرق تقريب التعلم الآمن عبر الإنترنت من خلال الضبط الدقيق الدوري للدفعة الصغيرة على البيانات المصنفة الأخيرة المخلوطة بأمثلة أقدم:
from ultralytics import YOLO
model = YOLO("yolo26n.pt")
model.train(data="coco8.yaml", epochs=3, imgsz=640, lr0=0.001)يستخدم هذا المثال القابل للتشغيل Ultralytics YOLO26 و وضع تدريب YOLO الموثق لإجراء تحديث صغير بمعدل تعلم منخفض. في الإنتاج، سيتم استبدال coco8.yaml بمجموعة بيانات ذات إصدارات تحتوي على عينات حديثة ومعاد تشغيلها.
تشمل التطبيقات الملموسة:
- الفحص البصري للتصنيع: يتم تحديث النماذج عند ظهور منتجات أو مواد أو أنواع عيوب جديدة.
- إدراك المركبات ذاتية القيادة: تتكيف أنظمة الكشف مع تغير الطرق والطقس وظروف الكاميرا وتوزيعات الكائنات.
- إدارة مخزون التجزئة: تتعلم النماذج تغليفاً جديداً ومنتجات موسمية دون الحاجة إلى إعادة تدريب كاملة.
Link to this sectionالمفاهيم ذات الصلة والاختلافات الرئيسية#
التعلم المستمر أوسع نطاقاً: فهو يهدف إلى التعلم عبر المهام أو المجالات مع الاحتفاظ بالمعرفة السابقة. يصف التعلم عبر الإنترنت متى وكم تكرار حدوث التحديثات. بدلاً من ذلك، يختار التعلم النشط الأمثلة الأكثر إفادة لتصنيفها بواسطة البشر، بينما يقوم تعلم النقل بتكييف المعرفة المدربة مسبقاً مع مهمة مستهدفة.
أحد التحديات المشتركة الرئيسية هو النسيان الكارثي. تشمل الأبحاث الحديثة التكيف المستمر أثناء الاختبار BECoTTA لعام 2024، و تقليل الإنتروبيا المصنفة لعام 2025، و طريقة الاستقرار واللدونة PLASTIC لعام 2026، والتي تستكشف التكيف الفعال دون انهيار النموذج أو فقدان القدرات السابقة. (proceedings.mlr.press)
Link to this sectionأفضل الممارسات الحالية#
- مراقبة انحراف البيانات: تتبع توزيعات المدخلات والثقة والدقة وتكرار الفئة.
- الحفاظ على بيانات إعادة التشغيل: اخلط عينات تاريخية تمثيلية مع بيانات جديدة لتقليل النسيان.
- التحقق قبل النشر: قارن النماذج المحدثة مقابل مجموعات اختبار ثابتة ومجموعات بيانات حديثة.
- إصدار سير العمل الكامل: استخدم منصة Ultralytics لإدارة التعليقات التوضيحية ومجموعات البيانات والتدريب والنشر والمراقبة.
- كشف الانحراف غير المصنف: عندما تصل التسميات متأخرة، راقب توزيعات الميزات وسلوك التنبؤ بدلاً من انتظار قياسات الدقة. (dfki.de)
