التعلم النشط يسرع تطوير الرؤية الحاسوبية

تدريب نموذج رؤية حاسوبية يشبه إلى حد كبير تعليم طفل التعرف على الألوان. أولاً، ستحتاج إلى مجموعة من الأجسام الملونة. بعد ذلك، ستوجه الطفل لتحديد كل لون بشكل صحيح، وهي مهمة غالباً ما تكون مستهلكة للوقت ومتكررة.

تماماً كما يحتاج الطفل إلى أمثلة كثيرة للتعلم، يحتاج نموذج الرؤية إلى مجموعة كبيرة من البيانات المصنفة للتعرف على الأنماط والأجسام في الصور. ومع ذلك، فإن تصنيف كميات هائلة من البيانات يتطلب الكثير من الوقت والجهد، ناهيك عن الموارد. يمكن لتقنيات مثل التعلم النشط أن تساعد في تبسيط هذه العملية.

التعلم النشط هو عملية تدريجية يتم فيها اختيار وتصنيف البيانات الأكثر أهمية من مجموعة بيانات كبيرة. يتعلم النموذج من هذه البيانات المصنفة، مما يجعله أكثر دقة وفعالية. إن التركيز فقط على البيانات الأكثر قيمة يقلل من مقدار التصنيف المطلوب ويسرع تطوير النموذج.

في هذه المقالة، سنلقي نظرة على كيفية مساعدة التعلم النشط في تدريب النماذج، وتقليل تكاليف التصنيف، وتحسين الدقة الإجمالية للنموذج.

Link to this sectionمجموعات بيانات الصور ليست سهلة البناء#

تعد مجموعات البيانات حجر الأساس لنماذج الرؤية الحاسوبية والتعلم العميق. توفر مجموعات البيانات الشهيرة مثل ImageNet ملايين الصور مع فئات متنوعة من الأجسام. ومع ذلك، فإن إنشاء والحفاظ على مثل هذه الأحجام الضخمة من مجموعات البيانات عالية الجودة يأتي مع تحديات متنوعة.

على سبيل المثال، يستغرق جمع البيانات وتصنيفها وقتًا وموارد ومصنّفين مهرة، مما يجعل العملية صعبة اعتمادًا على التطبيق المحدد. هناك حاجة إلى حلول مبتكرة وأكثر كفاءة لمواكبة الطلب المتزايد على مجموعات بيانات الصور، وهذا بالضبط ما يهدف التعلم النشط إلى حله.

يقدم التعلم النشط حلاً مثالياً من خلال تحسين عملية تصنيف البيانات. من خلال الاختيار الاستراتيجي لنقاط البيانات الأكثر إفادة للتصنيف، يزيد التعلم النشط من أداء النموذج مع تقليل جهود التصنيف.

Link to this sectionما هو التعلم النشط؟#

التعلم النشط هو تقنية تعلم آلي تكرارية حيث يختار النموذج أهم نقاط البيانات لتصنيفها من مجموعة كبيرة من البيانات غير المصنفة. يتم تصنيف نقاط البيانات المختارة هذه يدوياً وإضافتها إلى مجموعة بيانات التدريب.

بعد ذلك، يُعاد تدريب النموذج على مجموعة البيانات المحدثة ويختار المجموعة التالية من نقاط البيانات لتصنيفها. تتكرر هذه العملية، حيث يتحسن النموذج باستمرار من خلال التركيز على نقاط البيانات الأكثر إفادة. تستمر الدورة حتى يصل النموذج إلى الدقة المطلوبة أو يستوفي معايير التصنيف المحددة مسبقاً.

شكل 1. نظرة عامة على التعلم النشط.

Link to this sectionفهم كيفية عمل التعلم النشط#

قد تتساءل عن كيفية تحديد تقنية التعلم النشط لنقاط البيانات التي تحتاج إلى تصنيف يدوي وتلك التي يجب تصنيفها لاحقاً. لنفهم كيف يعمل التعلم النشط بمقارنته بالدراسة لاختبار - أنت تركز على المواضيع التي لست واثقاً منها وتتأكد أيضاً من تغطية مجموعة متنوعة من المواضيع لتكون مستعداً جيداً.

بالنسبة للمجموعة الأولية من عمليات اختيار البيانات، يستخدم التعلم النشط استراتيجيات مثل أخذ العينات غير المؤكدة (uncertainty sampling) وأخذ العينات القائمة على التنوع (diversity-based sampling). تعطي أخذ العينات غير المؤكدة الأولوية لنقاط البيانات التي يكون النموذج فيها أقل ثقة في توقعاته، بهدف تحسين الدقة في الحالات الصعبة. تختار أخذ العينات القائمة على التنوع نقاط البيانات التي تغطي مجموعة واسعة من الخصائص، مما يضمن تعميم النموذج بشكل جيد على البيانات غير المرئية من خلال تعريضه لأمثلة متنوعة.

شكل 2. أخذ العينات غير المؤكدة (على اليسار) وأخذ العينات القائمة على التنوع (على اليمين).

بعد اختيار البيانات الأولي، يستخدم التعلم النشط نهجين رئيسيين للتصنيف: أخذ العينات القائم على المجمع (pool-based sampling) وأخذ العينات القائم على التدفق (stream-based sampling). إنهما يشبهان الطريقة التي يساعد بها المعلم الطالب على التركيز على ما هو أكثر أهمية.

في أخذ العينات القائم على المجمع، يقوم النموذج بمسح مجموعة كبيرة من البيانات غير المصنفة ويختار الأمثلة الأكثر تحدياً أو إفادة للتصنيف، تماماً كما يعطي الطالب الأولوية للبطاقات التعليمية التي يجدها أصعب. وفيما يتعلق بأخذ العينات القائم على التدفق، يقوم النموذج بمعالجة البيانات فور وصولها، ليقرر ما إذا كان سيصنفها أو يتجاهلها، تماماً مثل الطالب الذي يطلب المساعدة فقط عندما يواجه صعوبة. في كلتا الحالتين، تُضاف البيانات المصنفة إلى مجموعة التدريب، ويقوم النموذج بإعادة تدريب نفسه، مما يؤدي إلى تحسن مطرد مع كل تكرار.

Link to this sectionاستكشاف تطبيقات التعلم النشط#

يلعب التعلم النشط دوراً رئيسياً في تطبيقات الرؤية الحاسوبية، مثل التصوير الطبي والقيادة الذاتية، من خلال تحسين دقة النموذج وتبسيط عملية تصنيف البيانات. ومن الأمثلة المثيرة للاهتمام على ذلك نماذج الرؤية الحاسوبية المستخدمة في السيارات ذاتية القيادة لاكتشاف المشاة أو الأجسام في ظروف الإضاءة المنخفضة أو الضبابية. يمكن للتعلم النشط تعزيز الدقة من خلال التركيز على سيناريوهات القيادة المتنوعة والصعبة.

على وجه التحديد، يمكن استخدام التعلم النشط لتحديد البيانات أو الإطارات غير المؤكدة من مثل هذه السيناريوهات للتصنيف الانتقائي. تؤدي إضافة هذه الأمثلة المصنفة إلى مجموعة التدريب إلى جعل النموذج أفضل في التعرف على المشاة والأجسام في البيئات الصعبة، مثل أثناء الطقس السيئ أو القيادة ليلاً.

على سبيل المثال، استخدمت NVIDIA التعلم النشط لتحسين اكتشاف المشاة ليلاً في نماذجها ذاتية القيادة. من خلال الاختيار الاستراتيجي لأكثر البيانات إفادة للتدريب، لا سيما في السيناريوهات الصعبة، يزداد أداء النموذج بشكل كبير.

شكل 3. اكتشاف أحد المشاة مع مظلة باستخدام التعلم النشط.

Link to this sectionيمكن للتعلم النشط تقليل تكاليف التصنيف#

جانب رئيسي آخر للتعلم النشط هو قدرته على تقليل تكاليف التصنيف. يقوم بذلك عن طريق التركيز فقط على أهم نقاط البيانات، بدلاً من طلب تصنيفات لمجموعة البيانات بأكملها. يوفر هذا النهج الموجه الوقت والجهد والمال. من خلال التركيز على العينات غير المؤكدة أو المتنوعة، يقلل التعلم النشط من عدد التصنيفات المطلوبة مع الحفاظ على دقة عالية للنموذج.

في الواقع، تظهر الأبحاث أن التعلم النشط يمكن أن يقلل تكاليف التصنيف بنسبة 40-60% دون التضحية بالأداء. هذا مفيد بشكل خاص في صناعات مثل الرعاية الصحية والتصنيع، حيث يكون تصنيف البيانات مكلفاً. من خلال تبسيط عملية التصنيف، يساعد التعلم النشط الشركات على تطوير النماذج بشكل أسرع ونشرها بكفاءة أكبر مع الحفاظ على الدقة.

Link to this sectionفوائد التعلم النشط#

إليك بعض المزايا الرئيسية الأخرى التي يمكن أن يقدمها التعلم النشط:

• معالجة اختلال توازن الفئات: يمكن للتعلم النشط أن يساعد في معالجة مشاكل اختلال توازن الفئات من خلال تصنيف الحالات من فئات البيانات الأقل تمثيلاً. يمكن للنموذج أن يعمل بشكل أفضل في السيناريوهات النادرة ذات البيانات المحدودة.
• دورات تطوير أسرع: يعني تصنيف بيانات أقل بشكل غير مباشر تسريع عملية تطوير نماذج التعلم الآلي والرؤية الحاسوبية، مما يتيح المزيد من الوقت والموارد لمزيد من التكرارات والتجارب.
• القدرة على التكيف: يمكنه تحسين بيانات التدريب باستمرار من خلال التكرار على العينات غير المؤكدة أو حالات الحافة، مما يجعله مناسباً تماماً لمجموعات البيانات الديناميكية أو المتطورة.

Link to this sectionالتعلم النشط وAutoML يمكن أن يعملا معاً#

يركز التعلم الآلي المؤتمت (AutoML) على أتمتة المهام المستهلكة للوقت والمتكررة التي ينطوي عليها بناء ونشر نماذج التعلم الآلي. إنه يبسط سير عمل التعلم الآلي من خلال أتمتة مهام مثل اختيار النموذج وتقييم الأداء لتقليل الحاجة إلى الجهد اليدوي.

عند دمجه مع التعلم النشط، يمكن لـ AutoML تسريع دورة حياة تطوير النموذج وتحسينها. يقوم مكون التعلم النشط باختيار نقاط البيانات الأكثر إفادة للتصنيف بشكل استراتيجي، بينما يقوم AutoML بتحسين النموذج من خلال أتمتة اختيار الهندسة والمعلمات والضبط.

شكل 4. سير عمل AutoML.

لنفهم هذا المزيج من التقنيات من خلال مثال.

لنقل أنك تحاول اكتشاف حالات نادرة في التصوير الطبي (حالة استخدام تكون فيها مجموعات البيانات المصنفة محدودة ومكلفة للحصول عليها). يمكن للتعلم النشط تحديد واختيار البيانات غير المؤكدة، مثل التغيرات الطفيفة في صور الأشعة السينية، التي يفشل النموذج في تصنيفها. بعد ذلك، يمكن إعطاء الأولوية للبيانات غير المؤكدة للتصنيف اليدوي لتحسين فهم النموذج.

مع البيانات المصنفة، يمكن لـ AutoML تحسين النموذج من خلال استكشاف هندسات متنوعة، ومعلمات فائقة، وتقنيات أخرى لزيادة البيانات. تسرع هذه العملية التكرارية من تطوير نماذج رؤية موثوقة مثل Ultralytics YOLO11 التي تساعد المتخصصين في الرعاية الصحية على إجراء تشخيصات دقيقة.

Link to this sectionتحديات التعلم النشط#

يقدم التعلم النشط وتقنياته مزايا عديدة، ولكن هناك بعض الاعتبارات التي يجب وضعها في الاعتبار عند تنفيذ هذه الاستراتيجيات:

• اختيار استراتيجية الاستعلام: ينطوي التعلم النشط على العديد من التقنيات، واختيار أفضل طريقة يؤثر بشكل كبير على فعالية النموذج. اختيار استراتيجية غير مناسبة يمكن أن يقلل من أداء النموذج لتطبيق معين.
• تكاليف إعادة التدريب: تتطلب الطبيعة التكرارية للتعلم النشط موارد حوسبة مكلفة، خاصة لمجموعات البيانات الكبيرة. يُعاد تدريب النموذج بعد كل جولة تصنيف، مما يزيد من تعقيده.
• جودة النموذج الأولي: تعتمد فعالية التعلم النشط على جودة النموذج الأولي. قد لا يتمكن النموذج الأولي ضعيف الأداء من تحديد نقاط البيانات المفيدة بدقة، مما يؤدي إلى طلبات تصنيف دون المستوى وتقليل الأداء العام.

Link to this sectionالطريق أمام التعلم النشط وAutoML#

مع التطورات الأخيرة في الذكاء الاصطناعي والرؤية الحاسوبية، من المتوقع أن يعالج التعلم النشط تحديات أكثر تعقيداً ويبسط سير عمل التعلم الآلي. إن الجمع بين التعلم النشط وتقنيات مثل التعلم الاتحادي والتعلم الذاتي الإشراف يمكن أن يزيد من كفاءة وقابلية توسع نماذج الرؤية.

التعلم الاتحادي يتيح تدريب النموذج عبر أجهزة أو خوادم متعددة باستخدام إطار عمل موزع دون الحاجة إلى خروج البيانات من موقعها الأصلي. ضع في اعتبارك صناعات مثل الرعاية الصحية، حيث تعد خصوصية البيانات أمراً مهماً، يجعل التعلم الاتحادي من الممكن التدريب مباشرة على البيانات المحلية الحساسة مع الحفاظ على أمانها. بدلاً من مشاركة البيانات الخام، يتم مشاركة تحديثات النموذج أو الرؤى فقط، مما يضمن بقاء المعلومات الخاصة محمية مع الاستمرار في المساهمة في عملية التدريب.

في غضون ذلك، يساعد التعلم الذاتي الإشراف في تقليل الحاجة إلى البيانات المصنفة من خلال التدريب المسبق للنماذج على بيانات غير مصنفة. تخلق هذه العملية أساساً قوياً للنموذج. يمكن للتعلم النشط بعد ذلك البناء على هذا من خلال تحديد واختيار أهم نقاط البيانات للتصنيف البشري، مما يزيد من صقل النموذج.

Link to this sectionمن التعلم النشط إلى التأثير النشط#

يوفر التعلم النشط طريقة عملية لمعالجة التحديات الرئيسية في الرؤية الحاسوبية، مثل التكلفة العالية لتصنيف البيانات والحاجة إلى نماذج أكثر دقة. من خلال التركيز على تصنيف أهم نقاط البيانات فقط، فإنه يقلل الجهد المطلوب من البشر مع تعزيز أداء النموذج.

عند دمجه مع تقنيات مثل AutoML، يسرع التعلم النشط من تطوير النماذج من خلال أتمتة المهام المستهلكة للوقت. مع استمرار التطورات، من المقرر أن يصبح التعلم النشط أداة أساسية لبناء أنظمة رؤية حاسوبية أكثر ذكاءً وكفاءة.

استكشف مستودع GitHub الخاص بنا وانضم إلى مجتمعنا لمعرفة المزيد عن الذكاء الاصطناعي ونماذج الرؤية الحاسوبية. اكتشف المزيد من تطبيقات الرؤية الحاسوبية في التصنيع والرعاية الصحية على صفحات حلولنا. يمكنك أيضاً الاطلاع على خيارات الترخيص لدينا للبدء في رحلتك في مجال الرؤية بالذكاء الاصطناعي اليوم.