Transfer Learning
استكشف التعلم بالانتقال لتدريب ذكاء اصطناعي عالي الدقة ببيانات أقل. تعلم كيفية الاستفادة من الأوزان المدربة مسبقاً في Ultralytics YOLO26 لتسريع مشاريع الرؤية الحاسوبية الخاصة بك.
يعد التعلم النقلي تقنية قوية في تعلم الآلة (ML) حيث يُعاد استخدام نموذج تم تطويره لمهمة محددة ك نقطة بداية لنموذج في مهمة ثانية ذات صلة. بدلاً من تدريب شبكة عصبية من الصفر - وهو ما يتطلب مجموعات بيانات ضخمة وقوة حوسبية كبيرة - يستفيد المطورون من المعرفة التي اكتسبها الذكاء الاصطناعي بالفعل. يحاكي هذا النهج طريقة تعلم البشر؛ فمثلاً، معرفة العزف على البيانو تجعل تعلم الأرجن أسهل بكثير لأن الفهم الأساسي لنظريات الموسيقى ومرونة الأصابع يُنتقل. في سياق التعلم العميق, يعني هذا أن النموذج يمكنه تحقيق دقة عالية في مشكلة جديدة ببيانات ووقت أقل بكثير.
كيف يعمل التعلم بنقل المعرفة#
تكمن فعالية التعلم النقلي في الطبيعة الهرمية ل استخراج الميزات. تتعلم نماذج التعلم العميق، لا سيما تلك المستخدمة في رؤية الكمبيوتر، التعرف على الأنماط في الطبقات. تكتشف الطبقات الأولية ل الهيكل الأساسي ميزات بسيطة وعالمية مثل الحواف، والمنحنيات، والقوام. هذه الميزات منخفضة المستوى قابلة للتطبيق على أي مهمة بصرياً تقريباً.
تتضمن العملية عادة مرحلتين رئيسيتين:
-
التدريب المسبق: يتم تدريب النموذج على مجموعة بيانات مرجعية واسعة النطاق، مثل ImageNet, لتعلم التمثيلات المرئية العامة. ينتج عن هذا مجموعة من أوزان النماذج التي تفهم الهيكل المرئي بالفعل.
-
التكييف: يُكيف النموذج المدرب مسبقاً بعد ذلك لمهمة متخصصة محددة. وغالباً ما يتم ذلك عن طريق "تجميد" الطبقات المبكرة (مع الحفاظ على أوزانها ثابتة) وإعادة تدريب الطبقات النهائية فقط، أو رأس الكشف, على مجموعة بيانات أصغر ومخصصة.
تطبيقات العالم الحقيقي#
لقد أدى التعلم بنقل المعرفة إلى إضفاء الطابع الديمقراطي على الذكاء الاصطناعي من خلال السماح ببناء حلول متخصصة دون الحاجة إلى موارد شركات التكنولوجيا الكبرى.
- الذكاء الاصطناعي في الرعاية الصحية: من الصعب جمع ملايين الصور الطبية المشروحة لكل مرض محدد. ومع ذلك، يمكن للباحثين أخذ نموذج مدرب مسبقاً على أشياء يومية وتطبيقه على تحليل الصور الطبية. ينقل النموذج قدرته على اكتشاف الأشكال والتشوهات لتحديد الأورام في الأشعة السينية أو فحوصات الرنين المغناطيسي بدقة عالية الدقة.
- الذكاء الاصطناعي في التصنيع: في البيئات الصناعية، يجب أن تتكيف أنظمة الفحص البصري بسرعة مع خطوط المنتجات الجديدة. يمكن تحديث نموذج اكتشاف العيوب المعمم بسرعة لرصد العيوب في مكون جديد ومحدد، مثل رقاقة دقيقة، باستخدام تدفقات عمل التصنيع الذكي لتقليل وقت التوقف عن العمل.
العلاقة بالمفاهيم الأخرى#
من المفيد التمييز بين التعلم بنقل المعرفة والمصطلحات ذات الصلة الوثيقة:
- مقابل الضبط الدقيق: الضبط الدقيق هو طريقة محددة لتنفيذ التعلم النقلي. في حين أن التعلم النقلي هو المفهوم الشامل لإعادة استخدام المعرفة، فإن الضبط الدقيق يشير إلى العملية الميكانيكية لفك تجميد أجزاء من النموذج وتدريبها على بيانات جديدة مع معدل تعلم أقل.
- مقابل التعلم الصفري: يتطلب التعلم النقلي مرحلة تدريب مع بعض البيانات المسماة للمهمة الجديدة. في المقابل، يحاول التعلم الصفري تصنيف أشياء لم يراها النموذج من قبل، وغالباً ما يعتمد على أوصاف دلالية بدلاً من الأمثلة المرئية.
مثال عملي#
يوضح مقتطف Python التالي التعلم النقلي باستخدام مكتبة ultralytics. نقوم بتحميل نموذج YOLO26, والذي يأتي مع أوزان مدربة مسبقاً مشتقة من مجموعة بيانات COCO. عندما نبدأ التدريب على مجموعة بيانات جديدة، ينقل النموذج ميزاته المتعلمة مسبقاً تلقائياً إلى المهمة الجديدة.
from ultralytics import YOLO
# Load a pre-trained YOLO26 model (transferring weights from COCO)
model = YOLO("yolo26n.pt")
# Train the model on a new, smaller dataset to adapt its knowledge
# This leverages the pre-learned backbone for faster convergence
results = model.train(data="coco8.yaml", epochs=5)لإدارة مجموعات بيانات وتنفيذ عمليات التدريب هذه في السحابة، تعمل أدوات مثل Ultralytics Platform على تبسيط العملية، مما يسمح للفرق بالتعاون في تعليق البيانات ونشر نماذج التعلم النقلي بكفاءة.
للحصول على تعمق أكبر في النظرية الأكاديمية، توفر ملاحظات Stanford CS231n نظرة عامة ممتازة، بينما يقدم برنامج التعلم النقلي في PyTorch تفاصيل تقنية واسعة النطاق للتنفيذ.
