Instruction Tuning

Talimat ayarlama, modelleri belirli kullanıcı yönergelerini veya komutlarını takip edecek şekilde eğitmek için kullanılan uzmanlaşmış bir makine öğrenimi tekniğidir. Genellikle bir dizideki bir sonraki kelimeyi tahmin etmeye veya verideki genel kalıpları tanımaya odaklanan standart ön eğitimden farklı olarak, talimat ayarlama doğrudan görevler olarak biçimlendirilmiş veri kümelerinden yararlanır. Modeli, açık komutlar ve bunlara karşılık gelen doğru yanıtlar şeklinde yapılandırılmış girdi-çıktı çiftlerine maruz bırakarak, geliştiriciler genel amaçlı bir temel modeli oldukça duyarlı, görev odaklı bir asistana dönüştürebilirler. Bu yaklaşım, Üretken YZ alanında modelleri insan niyetiyle hizalamak, çıktıların ilgili, güvenli ve uygulanabilir olmasını sağlamak için yaygın olarak kullanılır.

Link to this sectionTalimat Ayarlama Nasıl Çalışır#

Süreç, oldukça özenle hazırlanmış bir talimat veri kümesi kullanarak bir modelin model ağırlıklarının güncellenmesini içerir. Bu veri kümeleri, matematiksel denklemleri çözmekten görüntüleri analiz etmeye kadar çeşitli alanları kapsar. Eğitim sırasında model, bir talimatın emir kipiyle ifade edilmesi (örneğin, "Bu metni özetle" veya "Bu görüntüdeki nesneleri tanımla") ile istenen çıktı biçimi arasındaki yapısal ilişkiyi öğrenir. Google tarafından yapılan FLAN (İnce Ayarlı Dil Ağı) üzerine çalışmalar gibi son araştırmalar, talimat ayarlı modellerin görülmemiş görevlerde büyük ölçüde geliştirilmiş sıfır örnekli öğrenme yetenekleri sergilediğini göstermektedir.

Link to this sectionGerçek Dünya Uygulamaları#

Talimat ayarlama, hem metin hem de görsel modalitelerde dönüştürücü yeteneklerin kilidini açmıştır:

• Etkileşimli YZ Asistanları: Modern sohbet robotları, karmaşık diyalogları işlemek ve çok adımlı mantığı yürütmek için büyük ölçüde talimat ayarlamaya güvenir. Bu ayarlama, bir kullanıcı sistemden verileri bir JSON nesnesi olarak biçimlendirmesini istediğinde, modelin konuşma dolgusu oluşturmak yerine bu kısıtlamaya kesinlikle uymasını sağlar. OpenAI'ın InstructGPT üzerine araştırması, bu tekniğin toksik çıktıları nasıl azalttığını ve hizalamayı nasıl iyileştirdiğini vurgulamaktadır.
• Görüş-Dil Modelleri (VLM'ler): Bilgisayarlı görü alanında, talimat ayarlama esnek, istemle yönlendirilebilir görme sistemleri oluşturmak için kullanılır. Sabit bir sınıf kümesini algılayan katı bir nesne algılama hattı yerine, talimat ayarlı bir görme modeli "Montaj hattındaki hatalı ürünü bul" gibi bir komutu işleyebilir ve odağını dinamik olarak ayarlayabilir.

Bu gelişmiş iş akışları için gereken yüksek kaliteli veri kümelerini yönetmek amacıyla ekipler, veri kümesi ek açıklamasını, proje organizasyonunu ve bulut tabanlı eğitim dağıtımlarını basitleştiren Ultralytics Platform'a yönelirler.

Link to this sectionİlgili Kavramları Ayırt Etme#

YZ hatlarını doğru bir şekilde tasarlamak için talimat ayarlamayı benzer model optimizasyon tekniklerinden ayırmak önemlidir:

• İstem Ayarlama ve Talimat Ayarlama: İstem ayarlama, temel modeli dondurulmuş halde tutarken küçük bir "yumuşak istem" (öğrenilebilir tensörler) kümesini optimize eden parametre açısından verimli bir yöntemdir. Buna karşılık, talimat ayarlama genellikle talimat veri kümeleri üzerinde denetimli öğrenme kullanarak modelin tamamının (veya önemli kısımlarının) güncellenmesini içerir.
• İnce Ayarlama ve Talimat Ayarlama: Geleneksel ince ayarlama, bir modeli mutlaka komutları nasıl takip edeceğini öğretmeden belirli bir alana (örneğin, tıbbi literatür) uyarlar. Talimat ayarlama, görev yürütmeyi ve doğal dil anlama becerisini çok çeşitli talimatlar genelinde iyileştirmek için açıkça tasarlanmış, ince ayarlamanın ayrı bir alt kümesidir.

Link to this sectionUygulamada Modelleri Uyarlama#

Özel bilgisayarlı görü hatları oluşturan geliştiriciler için, temel bir modeli belirli görev kısıtlamalarına uyarlamak yaygın bir gereksinimdir. Tam talimat ayarlama büyük uzman veri kümeleri gerektirse de, Ultralytics YOLO26 gibi güçlü modelleri belirli alan görevlerine uyarlamak, benzer denetimli uyarlama ilkelerini kullanır.

from ultralytics import YOLO

# Load a pre-trained YOLO26 foundation model
model = YOLO("yolo26n.pt")

# Adapt the model weights to a custom task dataset using the PyTorch backend
# This process aligns the model's predictive capabilities with user-defined classes
results = model.train(data="custom_task.yaml", epochs=50, imgsz=640)

Bu gelişmiş eğitim metodolojilerinden yararlanarak, geliştiriciler karmaşık komutları güvenilir bir şekilde yorumlayan ve yürüten, teorik derin öğrenme ile pratik, kullanıcı odaklı yazılım arasındaki boşluğu dolduran sağlam YZ sistemleri dağıtabilirler. Eğitim mekanizmaları hakkında daha fazla okuma yapmak için resmi PyTorch sinir ağı eğitimi dokümantasyonunu incele.