Fine-tuning

Fine-tuning là một quy trình cơ bản trong machine learning (ML), bao gồm việc điều chỉnh một model đã được huấn luyện sẵn cho một tác vụ hoặc tập dữ liệu cụ thể. Thay vì huấn luyện từ đầu—việc đòi hỏi lượng dữ liệu, thời gian và sức mạnh tính toán khổng lồ—các lập trình viên bắt đầu với một "foundation model" đã học được các đặc trưng chung từ một tập dữ liệu khổng lồ như ImageNet. Cách tiếp cận này là một triển khai thực tế của transfer learning, cho phép các hệ thống AI đạt hiệu suất cao trên các bài toán chuyên biệt với nguồn lực ít hơn đáng kể.

Link to this sectionCơ chế thích ứng#

Ý tưởng cốt lõi đằng sau fine-tuning là tận dụng "kiến thức" mà model đã thu thập được. Một base model thường sở hữu hiểu biết vững chắc về các yếu tố thị giác cơ bản, chẳng hạn như cạnh, kết cấu và hình dạng. Trong quá trình fine-tuning, các tham số (trọng số) của model được điều chỉnh nhẹ để phù hợp với các sắc thái của dữ liệu mới, chuyên biệt.

Sự điều chỉnh này thường đạt được thông qua gradient descent sử dụng một learning rate thấp hơn. Một learning rate bảo thủ đảm bảo rằng các đặc trưng giá trị đã học được trong quá trình tiền huấn luyện ban đầu được tinh chỉnh thay vì bị phá hủy. Trong nhiều quy trình computer vision (CV), các kỹ sư có thể đóng băng các lớp ban đầu của backbone—vốn phát hiện các đặc trưng phổ quát—và chỉ cập nhật các lớp sâu hơn cùng detection head chịu trách nhiệm đưa ra các dự đoán phân loại cuối cùng.

Link to this sectionCác ứng dụng trong thực tế#

Fine-tuning thu hẹp khoảng cách giữa khả năng AI tổng quát và các yêu cầu cụ thể của ngành. Nó cho phép các model phổ thông trở thành các chuyên gia chuyên biệt.

• AI trong Y tế: Một vision model tiêu chuẩn có thể phân biệt giữa chó và mèo nhưng thiếu ngữ cảnh y tế. Bằng cách fine-tuning model này trên các tập dữ liệu medical image analysis chứa ảnh X-quang được gán nhãn, các nhà nghiên cứu có thể tạo ra các công cụ chẩn đoán phát hiện viêm phổi hoặc gãy xương với accuracy cao. Điều này hỗ trợ các bác sĩ chẩn đoán hình ảnh trong môi trường làm việc nhanh bằng cách ưu tiên các ca bệnh quan trọng.
• AI trong Sản xuất: Trong môi trường công nghiệp, các model có sẵn có thể không nhận diện được các linh kiện độc quyền. Các nhà sản xuất sử dụng fine-tuning để thích ứng các kiến trúc hiện đại như YOLO26 cho dây chuyền lắp ráp cụ thể của họ. Điều này cho phép các hệ thống quality control tự động phát hiện các lỗi nhỏ, chẳng hạn như vết nứt siêu nhỏ hoặc lỗi sơn, cải thiện độ tin cậy của sản phẩm và giảm thiểu lãng phí.

Link to this sectionFine-Tuning so với Huấn luyện từ đầu#

Việc phân biệt giữa fine-tuning và huấn luyện đầy đủ là rất hữu ích để hiểu khi nào nên sử dụng phương pháp nào.

• Huấn luyện từ đầu: Quá trình này bao gồm khởi tạo model với các trọng số ngẫu nhiên và huấn luyện trên một tập dữ liệu cho đến khi hội tụ. Nó đòi hỏi một labeled dataset rất lớn và tài nguyên GPU đáng kể. Phương pháp này thường chỉ dành cho việc tạo ra các kiến trúc mới hoặc khi lĩnh vực hoàn toàn độc đáo (ví dụ: phân tích tinh vân trong không gian sâu so với các vật thể hàng ngày).
• Fine-Tuning: Phương pháp này bắt đầu với các trọng số đã được tối ưu hóa. Nó đòi hỏi ít dữ liệu hơn nhiều (thường chỉ vài nghìn hình ảnh) và huấn luyện nhanh hơn đáng kể. Đối với hầu hết các ứng dụng kinh doanh, chẳng hạn như retail inventory management hoặc security monitoring, fine-tuning là lộ trình triển khai hiệu quả nhất.

Link to this sectionTriển khai Fine-Tuning với Ultralytics#

Các framework hiện đại làm cho quy trình này trở nên dễ tiếp cận. Ví dụ, Ultralytics Platform đơn giản hóa quy trình bằng cách xử lý dataset management và huấn luyện trên đám mây một cách tự động. Tuy nhiên, các lập trình viên cũng có thể fine-tune model cục bộ bằng Python.

Ví dụ sau đây minh họa cách fine-tune một model YOLO26 đã được huấn luyện sẵn trên một tập dữ liệu tùy chỉnh. Lưu ý rằng chúng ta tải yolo26n.pt (các trọng số đã được huấn luyện sẵn) thay vì một tệp cấu hình đơn giản, điều này ra hiệu cho thư viện bắt đầu quá trình transfer learning.

from ultralytics import YOLO

# Load a pre-trained YOLO26 model (n=nano size)
# This automatically loads weights trained on COCO
model = YOLO("yolo26n.pt")

# Fine-tune the model on a custom dataset (e.g., 'coco8.yaml')
# The 'epochs' argument determines how many passes over the data occur
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# The model is now fine-tuned and ready for specific inference tasks

Link to this sectionNhững lưu ý chính để đạt thành công#

Để đạt được kết quả tốt nhất, chất lượng của tập dữ liệu mới là tối quan trọng. Sử dụng các công cụ data augmentation có thể mở rộng nhân tạo một tập dữ liệu nhỏ bằng cách xoay, lật hoặc điều chỉnh độ sáng của hình ảnh, từ đó ngăn chặn tình trạng overfitting. Ngoài ra, việc theo dõi các chỉ số như validation loss và mean Average Precision (mAP) đảm bảo rằng model có khả năng tổng quát hóa tốt đối với dữ liệu chưa từng thấy.

Đối với những người quản lý các quy trình phức tạp, việc áp dụng các chiến lược MLOps và các công cụ như experiment tracking có thể giúp duy trì kiểm soát phiên bản qua các lần fine-tune khác nhau. Cho dù là đối với object detection hay instance segmentation, fine-tuning vẫn là tiêu chuẩn ngành để triển khai các giải pháp AI hiệu quả.