Self-Supervised Learning

التعلم ذاتي الإشراف (SSL) هو نموذج تعلم ماشية يقوم فيه النظام بفهم البيانات من خلال توليد إشارات إشرافية خاصة به من البيانات نفسها، بدلاً من الاعتماد على تسميات خارجية يوفرها البشر. في Supervised Learning التقليدي، تتطلب النماذج كميات هائلة من البيانات المشروحة يدويًا - مثل الصور المسماة "قطة" أو "كلب" - والتي قد تكون مكلفة وتستغرق وقتًا طویلًا لإنتاجها. يتجاوز تعلم SSL هذه العقبة عبر إنشاء "مهام تمهيدية" يجب على النموذج فيها توقع الأجزاء المخفية أو المفقودة من بيانات الإدخال، مما يعلم نفسه بفعالية البنية الأساسية والخصائص اللازمة للمهام المعقدة مثل object detection والتصنيف.

الآليات الأساسية للتعلم الذاتي الإشراف#

الفكرة الأساسية وراء تعلم SSL هي إخفاء أو حجب جزء من البيانات وإجبار neural network (NN) على إعادة بنائه أو توقع العلاقة بين وجهات النظر المختلفة لنفس البيانات. تخلق هذه العملية تمثيلات غنية وعامة الأغراض يمكن ضبطها بدقة لاحقًا لتطبيقات لاحقة محددة.

هناك نهجان أساسيان داخل SSL:

• الطرق التوليدية: يتعلم النموذج توليد بكسلات أو كلمات لملء الفراغات. من الأمثلة الكلاسيكية في Natural Language Processing (NLP) التنبؤ بالكلمة التالية في جملة ما. في رؤية الكمبيوتر، تخفي تقنيات مثل Masked Autoencoders (MAE) أجزاء عشوائية من الصورة وتكلف النموذج بإعادة بناء البكسلات المفقودة، مما يجبره على "فهم" السياق المرئي.
• التعلم التبايني: تعلّم هذه الطريقة النموذج التمييز بين نقاط البيانات المتشابهة وغير المتشابهة. من خلال تطبيق تقنيات data augmentation - مثل القص، أو التغيير اللوني، أو الدوران - على صورة ما، يتعلم النموذج أن هذه النسخ المعدلة تمثل نفس الكائن (أزواج موجبة) بينما تتعامل مع الصور الأخرى ككائنات مختلفة (أزواج سالبة). تعتمد الأطر الشهيرة مثل SimCLR بقوة على هذا المبدأ.

تطبيقات العالم الحقيقي#

أصبح التعلم ذاتي الإشراف حجر الأساس لبناء foundation models قوية عبر مجالات مختلف. قدرته على الاستفادة من كميات هائلة من البيانات غير المشروحة تجعله قابلًا للتوسع بشكل كبير.

• التصوير الطبي: الحصول على مسوحات طبية مصنفة من قبل الخبراء أمر صعب ومكلف. يتيح تعلم SSL للنماذج التدريب المسبق على آلاف صور الأشعة السينية أو الرنين المغناطيسي غير المشروحة لتعلم الميزات التشريحية العامة. يمكن بعد ذلك ضبط هذا النموذج المدرب مسبقًا بدقة باستخدام عدد صغير من الأمثلة المشروحة لتحقيق دقة عالية في tumor detection أو تشخيص الأمراض.
• القيادة الذاتية: تولد السيارات ذاتية القيادة تيرابايت من بيانات الفيديو يوميًا. يتيح تعلم SSL لهذه الأنظمة تعلم الديناميكيات الزمنية والفهم المكاني من لقطات الفيديو الخام دون الحاجة إلى تعليق توضيحي إطاراً بإطار. يساعد ذلك في تحسين lane detection وتجنب العقبات من خلال التنبؤ بالإطارات المستقبلية أو حركة الكائنات.

التمييز بين SSL والمصطلحات ذات الصلة#

من المهم التمييز بين تعلم SSL و Unsupervised Learning. بينما تستخدم كلتا الطريقتين بيانات غير مشروحة، يركز التعلم غير المشرف عادةً على العثور على أنماط مخفية أو مجموعات (التجميع) بدون مهمة تنبؤية محددة. على العكس من ذلك، يؤطر تعلم SSL عملية التعلم كمهمة خاضعة للإشراف حيث يتم إنشاء التسميات تلقائيًا من بنية البيانات نفسها. بالإضافة إلى ذلك، يجمع Semi-Supervised Learning بين كمية صغيرة من البيانات المشروحة وكمية كبيرة من البيانات غير المشروحة، بينما ينشئ تعلم SSL الخالص تسمياته الخاصة بالكامل من مجموعة البيانات غير المشروحة قبل حدوث أي ضبط دقيق.

استخدام الأوزان المدربة مسبقاً في Ultralytics#

في نظام Ultralytics البيئي، تستفيد نماذج مثل YOLO26 بشكل كبير من استراتيجيات التدريب المتقدمة التي غالبًا ما تتضمن مبادئ مشابهة لتعلم SSL أثناء مرحلة التدريب المسبق على مجموعات بيانات ضخمة مثل ImageNet أو COCO. يضمن ذلك أنه عندما ينشر المستخدمون نموذجًا لمهمة معينة، تكون مستخلصات الميزات قوية بالفعل.

يمكن للمستخدمين الاستفادة من هذه التمثيلات القوية المدربة مسبقًا لضبط النماذج على بياناتهم المخصصة باستخدام Ultralytics Platform.

إليك مثال موجز حول كيفية تحميل نموذج Ultralytics YOLO26 مُدرب مسبقاً والبدء في ضبطه الدقيق على مجموعة بيانات جديدة، للاستفادة من الميزات التي تم تعلمها أثناء تدريبه الأولي واسع النطاق:

from ultralytics import YOLO

# Load a pre-trained YOLO26 model (weights learned from large-scale data)
model = YOLO("yolo26n.pt")

# Fine-tune the model on a specific dataset (e.g., COCO8)
# This leverages the robust feature representations learned during pre-training
results = model.train(data="coco8.yaml", epochs=50, imgsz=640)

مستقبل SSL#

بينما يواصل الباحثون في المختبرات الكبرى مثل Meta AI و Google DeepMind تحسين هذه التقنيات، يدفع تعلم SSL حدود ما هو ممكن في Generative AI ورؤية الكمبيوتر. من خلال تقليل الاعتماد على البيانات المشروحة، يعمل تعلم SSL على إضفاء الطابع الديمقراطي على الوصول إلى الذكاء الاصطناعي عالي الأداء، مما يسمح للفرق الأصغر ببناء نماذج متطورة لتطبيقات متخصصة مثل wildlife conservation أو industrial inspection.