Época (Epoch)

No contexto da formação de modelos de modelos de inteligência artificial (IA), uma refere-se a uma passagem completa de todo o conjunto de dados de treino através do algoritmo de aprendizagem. É uma unidade de tempo unidade de tempo fundamental no treino de redes neuronais (NN), marcando o ponto em que o modelo modelo teve a oportunidade de aprender com cada amostra dos dados fornecidos exatamente uma vez. Como os modelos de aprendizagem profunda raramente atingem o desempenho ótimo depois de verem os dados uma única vez, o treino envolve normalmente o treino envolve normalmente a repetição deste processo ao longo de muitas épocas para minimizar os erros e aperfeiçoar os parâmetros internos.

A mecânica da aprendizagem ao longo do tempo

O objetivo principal durante uma época é ajustar os pesos do modelo para mapear as entradas para as saídas corretas corretas. Durante este processo, um algoritmo de otimização, como o Stochastic estocásticoSGD), calcula o erro usando uma função de perda específica e actualiza o estado interno do modelo.

A aprendizagem de passagem única é muitas vezes insuficiente porque os conjuntos de dados contêm variações complexas e ruído. Ao executar várias épocas, o modelo melhora iterativamente a sua capacidade de realizar tarefas como classificação ou segmentação de imagens. Este Este refinamento iterativo permite à rede generalizar padrões a partir dos dados de treinamento, em vez de simplesmente memorizar exemplos específicos. Estruturas de aprendizagem profunda como PyTorch e TensorFlow fornecem mecanismos mecanismos para controlar o ciclo de formação ao longo destes ciclos.

Épocas vs. Lotes vs. Iterações

Para compreender como é que os circuitos de formação funcionam de forma eficiente, é crucial distinguir entre três termos intimamente relacionados que são frequentemente confundidos pelos principiantes:

• Época: O processo de passagem de todo o conjunto de dados pela rede uma única vez.
• Tamanho do lote: O número de amostras processadas antes de o modelo atualizar os seus pesos. Carregar um conjunto de dados massivo na memória de uma só vez é muitas vezes impossível, por isso os dados são divididos em grupos mais pequenos chamados lotes.
• Iteração: Um único passo de atualização em que o modelo processa um lote e executa retropropagação para ajustar os pesos.

Por exemplo, se tiver um conjunto de dados de 10 000 imagens e definir um tamanho de lote de 100, serão necessárias 100 iterações para completar uma época.

Determinação do número ótimo de épocas

A seleção do número correto de épocas é um aspeto crítico da afinação de hiperparâmetros. O treino para muito poucos ou demasiados ciclos pode levar a um desempenho inferior ao ótimo.

1. Ajuste inferior: Se o modelo for treinado durante um número demasiado reduzido de épocas, pode não conseguir captar a lógica subjacente dos dados, o que resulta num fraco desempenho nos conjuntos de treino e de teste.
2. Sobreajuste: Se o treino continuar durante demasiado tempo, o modelo pode começar a memorizar ruído e detalhes específicos do conjunto de treino. do conjunto de treino. Enquanto a precisão do treino aumenta, o desempenho em dados de validação não vistos.

Para atenuar estes problemas, os engenheiros utilizam frequentemente paragem precoce, uma técnica que interrompe o treino quando a perda de validação pára de melhorar, independentemente do total de épocas especificadas. Ferramentas de visualização como o TensorBoard são frequentemente usadas para monitorar essas métricas em tempo real.

Aplicações no Mundo Real

O conceito de épocas é universal em vários domínios de aprendizagem automática (ML).

• Condução autónoma: O desenvolvimento de um veículo autónomo requer modelos robustos de robustos de deteção de objectos treinados em conjuntos de dados maciços contendo milhões de cenas de rua. Um modelo como YOLO11 pode ser treinado durante centenas de épocas para garantir para garantir que consegue identificar de forma fiável peões e sinais de trânsito em diversas condições meteorológicas. O treino extensivo garante que o sistema atinja uma elevada precisão média (mAP) antes da implantação.
• Monitorização agrícola: Na agricultura de agricultura de precisão, os drones utilizam visão computorizada para monitorizar o estado das culturas. Como os conjuntos de dados agrícolas podem ser mais pequenos ou altamente específicos, os investigadores podem utilizar a aprendizagem por transferência e treinar menos épocas para afinar um modelo pré-treinado, utilizando utilizando o aumento de dados para expandir artificialmente o artificialmente o conjunto de dados e evitar o sobreajuste.

Exemplo de código: Treinamento com épocas

Ao utilizar o ultralytics a especificação do número de épocas é simples. O train() aceita um método epochs que controla o número de vezes que o modelo itera sobre os dados fornecidos.

from ultralytics import YOLO

# Load the YOLO11 model (recommended for latest performance)
model = YOLO("yolo11n.pt")

# Train the model for 50 epochs on the COCO8 dataset
# The 'epochs' argument defines the total passes through the data
results = model.train(data="coco8.yaml", epochs=50, imgsz=640)

Este excerto demonstra como iniciar uma execução de treino em que o modelo irá aperfeiçoar a sua compreensão do conjunto de dados conjunto de dados "coco8" 50 vezes diferentes. Para futuros avanços, Ultralytics está atualmente a desenvolver o YOLO26, que suportará o treinamento de ponta a ponta com ainda mais eficiência, com lançamento previsto para final de 2025.