Self-Supervised Learning

التعلم الذاتي الإشراف (SSL) هو نموذج تعلم آلي يتعلم فيه النظام فهم البيانات عن طريق إنشاء إشارات إشراف خاصة به من البيانات نفسها، بدلاً من الاعتماد على تصنيفات خارجية يقدمها البشر. في التعلم الخاضع للإشراف التقليدي، تتطلب النماذج كميات هائلة من البيانات المصنفة يدوياً - مثل صور مصنفة بـ "قطة" أو "كلب" - وهو أمر قد يكون مكلفاً ويستغرق وقتاً طويلاً. يتجاوز SSL هذه العقبة من خلال إنشاء "مهام تمهيدية" حيث يجب على النموذج التنبؤ بأجزاء مخفية أو مفقودة من بيانات الإدخال، مما يعلمه بفعالية الهيكل والميزات الأساسية اللازمة للمهام المعقدة مثل اكتشاف الكائنات والتصنيف.

Link to this sectionالآليات الأساسية للتعلم الذاتي الإشراف#

تتمثل الفكرة الأساسية وراء SSL في إخفاء أو حجب جزء من البيانات وإجبار الشبكة العصبية (NN) على إعادة بنائها أو التنبؤ بالعلاقة بين وجهات نظر مختلفة لنفس البيانات. تعمل هذه العملية على إنشاء تمثيلات غنية للأغراض العامة يمكن ضبطها بدقة لاحقاً لتطبيقات محددة.

هناك نهجان أساسيان داخل SSL:

• الطرق التوليدية: يتعلم النموذج توليد بكسلات أو كلمات لملء الفراغات. مثال كلاسيكي في معالجة اللغات الطبيعية (NLP) هو التنبؤ بالكلمة التالية في جملة ما. في رؤية الحاسوب، تقوم تقنيات مثل أجهزة الترميز التلقائي المقنعة (MAE) بحجب أجزاء عشوائية من صورة وتكليف النموذج بإعادة بناء البكسلات المفقودة، مما يجبره على "فهم" السياق البصري.
• التعلم التبايني: تُعلم هذه الطريقة النموذج التمييز بين نقاط البيانات المتشابهة وغير المتشابهة. من خلال تطبيق تقنيات تعزيز البيانات - مثل الاقتصاص، أو تغيير الألوان، أو التدوير - على صورة ما، يتعلم النموذج أن هذه النسخ المعدلة تمثل نفس الكائن (أزواج إيجابية) بينما تتعامل مع صور أخرى ككائنات مختلفة (أزواج سلبية). تعتمد أطر العمل الشهيرة مثل SimCLR بشكل كبير على هذا المبدأ.

Link to this sectionتطبيقات العالم الحقيقي#

أصبح التعلم الذاتي الإشراف حجر الزاوية لبناء نماذج أساسية قوية عبر مختلف المجالات. إن قدرته على الاستفادة من كميات هائلة من البيانات غير المصنفة تجعله قابلاً للتوسع بشكل كبير.

• التصوير الطبي: الحصول على فحوصات طبية مصنفة من قبل خبراء أمر صعب ومكلف. يسمح SSL للنماذج بالتدريب المسبق على آلاف من صور الأشعة السينية أو فحوصات MRI غير المصنفة لتعلم الميزات التشريحية العامة. يمكن بعد ذلك ضبط هذا النموذج المدرب مسبقاً بدقة باستخدام عدد صغير من الأمثلة المصنفة لتحقيق دقة عالية في اكتشاف الأورام أو تشخيص الأمراض.
• القيادة الذاتية: تولد السيارات ذاتية القيادة تيرابايت من بيانات الفيديو يومياً. يُمكّن SSL هذه الأنظمة من تعلم الديناميكيات الزمنية والفهم المكاني من لقطات الفيديو الخام دون الحاجة إلى تصنيف إطار بإطار. يساعد هذا في تحسين اكتشاف المسارات وتجنب العقبات من خلال التنبؤ بالإطارات المستقبلية أو حركة الكائنات.

Link to this sectionالتمييز بين SSL والمصطلحات ذات الصلة#

من المهم التمييز بين SSL و**التعلم غير الخاضع للإشراف**. بينما تستخدم كلتا الطريقتين بيانات غير مصنفة، يركز التعلم غير الخاضع للإشراف عادةً على إيجاد أنماط أو مجموعات مخفية (التجميع) دون مهمة تنبؤية محددة. في المقابل، يصيغ SSL عملية التعلم كمهمة خاضعة للإشراف حيث يتم إنشاء التصنيفات تلقائياً من هيكل البيانات نفسه. بالإضافة إلى ذلك، يجمع التعلم شبه الخاضع للإشراف بين كمية صغيرة من البيانات المصنفة وكمية كبيرة من البيانات غير المصنفة، بينما ينشئ SSL الخالص تصنيفاته الخاصة بالكامل من مجموعة البيانات غير المصنفة قبل حدوث أي ضبط دقيق.

Link to this sectionاستخدام الأوزان المدربة مسبقاً في Ultralytics#

في نظام Ultralytics، تستفيد نماذج مثل YOLO26 بشكل كبير من استراتيجيات التدريب المتقدمة التي غالباً ما تدمج مبادئ مشابهة لـ SSL خلال مرحلة التدريب المسبق على مجموعات بيانات ضخمة مثل ImageNet أو COCO. هذا يضمن أنه عندما يقوم المستخدمون بنشر نموذج لمهمة محددة، تكون مستخرجات الميزات قوية بالفعل.

يمكن للمستخدمين الاستفادة من هذه التمثيلات القوية المدربة مسبقاً لضبط النماذج بدقة على مجموعات بياناتهم الخاصة باستخدام منصة Ultralytics.

إليك مثال موجز حول كيفية تحميل نموذج YOLO26 مدرب مسبقاً وبدء ضبطه بدقة على مجموعة بيانات جديدة، مع الاستفادة من الميزات التي تم تعلمها خلال 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)

Link to this sectionمستقبل SSL#

بينما يواصل الباحثون في مختبرات كبرى مثل Meta AI و**Google DeepMind** تحسين هذه التقنيات، يدفع SSL حدود ما هو ممكن في الذكاء الاصطناعي التوليدي ورؤية الحاسوب. من خلال تقليل الاعتماد على البيانات المصنفة، يعمل SSL على ديمقراطية الوصول إلى الذكاء الاصطناعي عالي الأداء، مما يسمح للفرق الصغيرة ببناء نماذج متطورة لتطبيقات متخصصة مثل الحفاظ على الحياة البرية أو التفتيش الصناعي.