أطلق العنان لقوة التعلم بالنقل لتوفير الوقت وتعزيز أداء الذكاء الاصطناعي ومعالجة المهام الجديدة ببيانات محدودة باستخدام النماذج المدربة مسبقًا.
التعلم النقلي هو تقنية تعلم آلي يتم فيها إعادة استخدام نموذج تم تطويره لمهمة معينة كنقطة انطلاق لنموذج في مهمة ثانية. هذا النهج له أهمية قصوى في مجال التعلم العميق، لأنه يتيح للمطورين الاستفادة من المعرفة المكتسبة من حل مشكلة ما لحل مشكلة أخرى ذات صلة بجهد أقل بكثير. بدلاً من تدريب شبكة عصبية من الصفر — الأمر الذي يتطلب كميات هائلة من البيانات والقدرة الحاسوبية — يستخدم التعلم النقلي أنماطًا مسبقة التعلم، مثل الكشف عن الحواف أو التعرف على الأشكال، لتسريع عملية التعلم.
تعتمد الآلية الأساسية للتعلم النقلي على الطبيعة الهرمية لاستخراج الميزات. في نموذج الرؤية الحاسوبية النموذجي ، تتعلم الطبقات الأولية، التي يشار إليها غالبًا باسم العمود الفقري، العناصر البصرية العامة مثل المنحنيات والنسيج والتدرجات. تنطبق هذه الميزات على أي صورة تقريبًا، سواء كانت صورة قطة أو خريطة أقمار صناعية.
تتضمن العملية عمومًا خطوتين:
يعد التعلم النقلي حجر الزاوية في تطوير الذكاء الاصطناعي الحديث لأنه يحل مشكلة ندرة البيانات. لا تمتلك العديد من المشاريع الواقعية الآلاف من الصور المُعلقة اللازمة لتدريب شبكة عميقة من التهيئة العشوائية .
تتيح تعددية استخدامات التعلم النقلي حلول الذكاء الاصطناعي في مختلف الصناعات.
في مجال الذكاء الاصطناعي في الرعاية الصحية، غالبًا ما يكون جمع ملايين الصور الأشعة السينية أو صور الرنين المغناطيسي المستخدمة في التشخيص أمرًا مستحيلًا بسبب مخاوف تتعلق بالخصوصية وتكلفة التعليقات التوضيحية التي يقدمها الخبراء. ومع ذلك، يمكن ضبط النموذج الذي تم تدريبه مسبقًا على الكائنات العامة لإجراء تحليل متخصص للصور الطبية. على سبيل المثال، يستخدم الباحثون هياكل مثل YOLO11detect أورامdetect عن طريق نقل المعرفة من مجموعات البيانات العامة إلى المجال الطبي.
في بيئات التصنيع، يجب أن تتكيف أنظمة الفحص البصري بسرعة مع المنتجات الجديدة على خط التجميع. يتيح التعلم النقلي إعادة تدريب نموذج الكشف عن العيوب بشكل عام بسرعة لاكتشاف العيوب في مكون جديد معين، مثل الرقاقة الدقيقة أو قطعة غيار السيارات. تدعم هذه القدرة التصنيع الذكي عن طريق تقليل وقت التعطل إلى الحد الأدنى عند تغيير خطوط الإنتاج.
من المفيد التمييز بين التعلم النقلي والمنهجيات المماثلة:
ما يلي Python يوضح المقتطف كيفية الاستفادة من التعلم النقلي
باستخدام ultralytics المكتبة. هنا، نقوم بتحميل
YOLO11 النموذج، الذي يأتي مع أوزان مسبقة التدريب مشتقة
من COCO وتدريبه على مجموعة بيانات جديدة. تستخدم هذه العملية تلقائيًا الميزات المسبقة التعلم.
from ultralytics import YOLO
# Load a pre-trained model (weights transfer from COCO dataset)
# Using 'yolo11n.pt' gives us a "student" model with prior knowledge
model = YOLO("yolo11n.pt")
# Fine-tune the model on a different dataset (e.g., COCO8)
# The model uses its pre-trained backbone to learn new classes faster
results = model.train(data="coco8.yaml", epochs=5)
# The model is now adapted to the specific data in 'coco8.yaml'
بالنسبة لأولئك الذين يبحثون عن أحدث ما توصلت إليه الكفاءة والدقة، تعمل بنية YOLO26 على تحسين هذه العملية بشكل أكبر، حيث توفر قدرات شاملة تجعل التعلم النقلي أكثر فعالية في عمليات النشر المتطورة.
لمزيد من القراءة حول الأسس النظرية، توفر ملاحظات ستانفورد CS231n حول التعلم النقلي موردًا أكاديميًا ممتازًا. بالإضافة إلى ذلك، يقدم PyTorch التعليميPyTorch تعمقًا في تنفيذ مستوى الكود.
