التعلم بالنقل

التعلم بالنقل هو تقنية تعلم آلي (ML) حيث يتم إعادة استخدام نموذج تم تطويره لمهمة ما كنقطة بداية لنموذج في مهمة ثانية ذات صلة. بدلاً من بناء نموذج من الصفر، الأمر الذي يتطلب كمية هائلة من البيانات والموارد الحسابية، يستفيد التعلم بالنقل من المعرفة — مثل الميزات والأوزان والأنماط — المكتسبة من مهمة مصدر. هذا النهج فعال للغاية وأصبح حجر الزاوية في التعلم العميق الحديث، وخاصة في رؤية الكمبيوتر (CV). باستخدام نموذج مُدرَّب مسبقًا، يمكن للمطورين تحقيق أداء أعلى مع بيانات أقل بكثير وأوقات تدريب أقصر.

كيف يعمل التعلم بالنقل

الفكرة الأساسية وراء التعلم بالنقل هي أن النموذج المدرب على مجموعة بيانات كبيرة وعامة، مثل ImageNet لتصنيف الصور، قد تعلم بالفعل التعرف على الميزات العالمية مثل الحواف والقوام والأشكال. يتم تخزين هذه المعرفة التأسيسية في الطبقات الأولية للنموذج، والتي يشار إليها غالبًا باسم العمود الفقري.

تتضمن العملية عادةً خطوتين رئيسيتين:

1. ابدأ بنموذج مُدرَّب مسبقًا: يتم تحديد نموذج تم تدريبه مسبقًا على مجموعة بيانات مرجعية كبيرة. على سبيل المثال، تأتي معظم نماذج Ultralytics YOLO بأوزان مُدرَّبة مسبقًا على مجموعة بيانات COCO. تمتلك هذه النماذج بالفعل فهمًا قويًا للميزات العامة للكائنات.
2. الضبط الدقيق: يتم بعد ذلك تكييف النموذج المدرب مسبقًا مع مهمة جديدة ومحددة. يتضمن هذا التكيف، المعروف باسم الضبط الدقيق، تدريب النموذج بشكل أكبر على مجموعة بيانات أصغر خاصة بالمهمة. خلال هذه المرحلة، يتم عادةً إبقاء معدل التعلم منخفضًا لإجراء تعديلات طفيفة على أوزان النموذج دون فقدان الميزات القيمة التي تم تعلمها مسبقًا. للحصول على دليل مفصل، يمكنك الرجوع إلى برنامج PyTorch التعليمي حول التعلم بالنقل.

تطبيقات واقعية

التعلم بالنقل ليس مجرد مفهوم نظري؛ بل له تطبيقات عملية في العديد من الصناعات.

• تحليل الصور الطبية: يمكن تدريب نموذج مسبقًا على مجموعة بيانات ImageNet العامة ثم ضبطه بدقة للكشف عن تشوهات معينة مثل أورام الدماغ من فحوصات التصوير بالرنين المغناطيسي. نظرًا لأن البيانات الطبية المصنفة غالبًا ما تكون نادرة ومكلفة للحصول عليها، فإن التعلم بالنقل يسمح بإنشاء أدوات تشخيصية دقيقة دون الحاجة إلى ملايين الصور الطبية. لمزيد من المعلومات حول هذا الموضوع، انظر كيف يقوم الذكاء الاصطناعي بإنشاء عصر جديد من الدقة في علم الأشعة.
• المركبات ذاتية القيادة: يمكن تدريب نموذج اكتشاف الكائنات مسبقًا على مجموعة بيانات ضخمة من صور الطرق ثم يتم ضبطه بدقة بواسطة شركة تصنيع سيارات معينة للتعرف على طرز مركبات فريدة أو للعمل في ظروف جوية معينة. وهذا يستفيد من المعرفة الحالية بالسيارات والمشاة والإشارات، مما يسرع التطوير ويحسن السلامة.

التعلم بالنقل مقابل المفاهيم ذات الصلة

من المهم التمييز بين التعلم بالنقل وتقنيات التعلم الآلي الأخرى:

• Foundation Models: هذه نماذج واسعة النطاق مدربة مسبقًا على كميات هائلة من البيانات، ومصممة خصيصًا ليتم تكييفها لمختلف المهام اللاحقة. التعلم بالنقل هو عملية تكييف هذه النماذج الأساسية.
• التعلم الصفري: تتيح هذه التقنية للنموذج التعرف على الفئات التي لم يرها أثناء التدريب. في حين أن التعلم بالنقل يكيف النموذج مع مهمة جديدة ببعض البيانات الجديدة، فإن التعلم الصفري يهدف إلى التعميم دون أي أمثلة للفئات الجديدة. يشرح دليلنا حول التعلم القليل، والتعلم الصفري، والتعلم بالنقل هذه الاختلافات بمزيد من التفصيل.
• تقطير المعرفة (Knowledge Distillation): يتضمن ذلك تدريب نموذج "طالب" أصغر لتقليد سلوك نموذج "معلم" أكبر لتحقيق الكفاءة. يركز التعلم بالنقل (Transfer learning) على تكييف المعرفة من مهمة إلى أخرى، بينما يركز التقطير على ضغط المعرفة داخل نفس المهمة.

الأدوات والأطر

أصبح تطبيق التعلم بالنقل متاحًا من خلال أدوات ومنصات مختلفة. توفر أطر العمل مثل PyTorch و TensorFlow وثائق شاملة ونماذج مدربة مسبقًا. تعمل منصات مثل Ultralytics HUB على تبسيط سير العمل بأكمله، مما يسمح للمستخدمين بتحميل النماذج المدربة مسبقًا بسهولة مثل YOLOv8 و YOLO11، وإجراء تدريب مخصص على مجموعات بيانات جديدة، وإدارة نشر النموذج. للحصول على فهم نظري أعمق، تعد موارد مثل نظرة Stanford CS231n العامة حول التعلم بالنقل لا تقدر بثمن.