استكشاف تصنيف البيانات لمشاريع الرؤية الحاسوبية

يركز الذكاء الاصطناعي (AI) على منح الآلات قدرات شبيهة بالبشر، وتعد التعلم الخاضع للإشراف واحدة من أكثر الطرق شيوعًا للقيام بذلك. بمعنى آخر، يمكن أن يساعد تعليم نماذج الذكاء الاصطناعي من خلال عرض أمثلة مصنفة (موسومة) عليها في التعلم من الأنماط والتحسن في أداء المهام. وهو يشبه إلى حد كبير كيفية تعلم البشر من التجربة. إذًا، كيف يتم إنشاء هذه الأمثلة المصنفة؟

توصيف البيانات يتضمن تصنيف أو وسم البيانات لمساعدة خوارزميات تعلم الآلة على فهمها. في رؤية الكمبيوتر، يعني هذا تمييز الصور أو مقاطع الفيديو للتعرف بدقة على الكائنات أو الإجراءات أو المشاهد وتصنيفها. يعد وضع العلامات على البيانات أمرًا حيويًا لأن نجاح نموذج الذكاء الاصطناعي يعتمد بشكل كبير على جودة البيانات المصنفة التي يتم تدريبه عليها.

تظهر الدراسات أن أكثر من 80% من وقت مشاريع الذكاء الاصطناعي يتم إنفاقه في إدارة البيانات، بدءًا من جمعها وتجميعها وصولاً إلى تنظيفها وتصنيفها. يوضح هذا مدى أهمية توصيف البيانات في تطوير نماذج الذكاء الاصطناعي. استخدام بيانات عالية الجودة وموصوفة يجعل من الممكن لنماذج الذكاء الاصطناعي تنفيذ مهام مثل التعرف على الوجه واكتشاف الكائنات بدقة وموثوقية أكبر في مواقف العالم الحقيقي.

Link to this sectionلماذا يعد توصيف البيانات ضروريًا#

يشكل توصيف البيانات الأساس لمدى جودة أداء نموذج رؤية الكمبيوتر. البيانات المصنفة هي الحقيقة الأرضية (ground truth) التي يستخدمها النموذج للتعلم وإجراء التنبؤات. تعد بيانات الحقيقة الأرضية أساسية لأنها تمثل العالم الحقيقي الذي يحاول النموذج فهمه. بدون هذا الأساس الموثوق، سيكون نموذج الذكاء الاصطناعي مثل سفينة تبحر بدون بوصلة.

الشكل 1. الحقيقة الأرضية مقابل التنبؤ.

يساعد التوصيف الدقيق هذه النماذج على فهم ما تراه ويؤدي إلى اتخاذ قرارات أفضل. إذا كانت البيانات مصنفة بشكل سيئ أو غير متسقة، فسوف يواجه النموذج صعوبة في إجراء تنبؤات وقرارات صحيحة، تمامًا مثل طالب يتعلم من كتب مدرسية غير صحيحة. بفضل البيانات الموصوفة، يمكن للنموذج تعلم مهام مثل تصنيف الصور، وتقسيم المثيلات، وتقدير الوضع للكائنات في الصور ومقاطع الفيديو.

Link to this sectionأفضل الموارد لمجموعات البيانات#

قبل إنشاء مجموعة بيانات جديدة تمامًا وتصنيف الصور ومقاطع الفيديو بدقة متناهية، من الجيد معرفة ما إذا كان بإمكانك استخدام مجموعات بيانات موجودة مسبقًا لمشروعك. هناك العديد من المستودعات الرائعة مفتوحة المصدر حيث يمكنك الوصول إلى مجموعات بيانات عالية الجودة مجانًا. تتضمن بعض أشهرها ما يلي:

• ImageNet: يُستخدم بشكل شائع لتدريب نماذج تصنيف الصور.
• COCO: تم تصميم مجموعة البيانات هذه لاكتشاف الكائنات، والتقسيم، والتعليق على الصور.
• PASCAL VOC: تدعم مهام اكتشاف الكائنات والتقسيم.

الشكل 2. أمثلة على البيانات في مجموعة بيانات COCO.

عند اختيار مجموعة بيانات، من المهم مراعاة عوامل مثل مدى ملاءمتها لمشروعك، وحجم مجموعة البيانات، وتنوعها، وجودة العلامات. تأكد أيضًا من مراجعة شروط ترخيص مجموعة البيانات لتجنب أي تداعيات قانونية، وتحقق مما إذا كانت البيانات مهيأة بطريقة تناسب سير عملك وأدواتك.

إن إنشاء مجموعة بيانات مخصصة خيار رائع إذا كانت مجموعات البيانات الموجودة لا تناسب احتياجاتك تمامًا. يمكنك جمع الصور باستخدام أدوات مثل كاميرات الويب أو الطائرات بدون طيار أو الهواتف الذكية، اعتمادًا على ما يتطلبه مشروعك. من الناحية المثالية، يجب أن تكون مجموعة بياناتك المخصصة متنوعة ومتوازنة وممثلة حقًا للمشكلة التي تحاول حلها. قد يعني هذا التقاط صور في ظروف إضاءة مختلفة، ومن زوايا متعددة، وعبر بيئات متعددة.

إذا كنت قادرًا فقط على جمع عدد أصغر من الصور أو مقاطع الفيديو، فإن تعزيز البيانات تقنية مفيدة. وهي تتضمن توسيع مجموعة بياناتك من خلال تطبيق تحويلات مثل التدوير أو الانعكاس أو تعديلات الألوان على الصور الموجودة. هذا يزيد من حجم مجموعة بياناتك ويجعل نموذجك أكثر قوة وقدرة على التعامل مع التباينات في البيانات. باستخدام مزيج من مجموعات البيانات مفتوحة المصدر، ومجموعات البيانات المخصصة، والبيانات المعززة، يمكنك تعزيز أداء نماذج رؤية الكمبيوتر الخاصة بك بشكل كبير.

Link to this sectionأنواع تقنيات توصيف الصور#

قبل البدء في توصيف الصور، من المهم أن تكون على دراية بأنواع التوصيف المختلفة. سيساعدك هذا في اختيار النوع المناسب لمشروعك. بعد ذلك، سنلقي نظرة على بعض الأنواع الرئيسية للتوصيف.

Link to this sectionمربعات الإحاطة (BBox)#

المربعات المحيطة هي النوع الأكثر شيوعًا للتوصيف في رؤية الكمبيوتر. وهي عبارة عن مربعات مستطيلة تُستخدم لتمييز موقع كائن في صورة. يتم تحديد هذه المربعات بواسطة إحداثيات زواياها، وتساعد نماذج الذكاء الاصطناعي في تحديد وتعيين مواقع الكائنات. تُستخدم المربعات المحيطة بشكل أساسي لـ اكتشاف الكائنات.

الشكل 3. مثال على المربعات المحيطة.

Link to this sectionأقنعة التقسيم (Segmentation masks)#

في بعض الأحيان، يحتاج الكائن إلى أن يتم اكتشافه بدقة أكبر مما يمكن تحقيقه بمجرد مربع محيط مرسوم حوله. قد تهتم بحدود الكائنات في صورة ما. في هذه الحالة، تسمح لك أقنعة التقسيم بتحديد الكائنات المعقدة. أقنعة التقسيم هي تمثيل أكثر تفصيلاً على مستوى البكسل.

يمكن استخدام هذه الأقنعة لـ التقسيم الدلالي وتقسيم المثيلات. يتضمن التقسيم الدلالي تصنيف كل بكسل في الصورة وفقًا للكائن أو المنطقة التي يمثلها، مثل أحد المشاة أو سيارة أو طريق أو رصيف. ومع ذلك، يذهب تقسيم المثيلات إلى أبعد من ذلك من خلال تحديد وفصل كل كائن على حدة، مثل التمييز بين كل سيارة في صورة، حتى لو كانت كلها من نفس النوع.

الشكل 4. مثال على التقسيم الدلالي (يسار) وأقنعة تقسيم المثيلات (يمين).

Link to this sectionالمتوازيات ثلاثية الأبعاد (3D Cuboids)#

المتوازيات ثلاثية الأبعاد تشبه المربعات المحيطة، وما يجعلها فريدة هو أن المتوازيات ثلاثية الأبعاد تضيف معلومات العمق وتوفر تمثيلاً ثلاثي الأبعاد للكائن. تسمح هذه المعلومات الإضافية للأنظمة بفهم شكل وحجم وموقع الكائنات في مساحة ثلاثية الأبعاد. تُستخدم المتوازيات ثلاثية الأبعاد غالبًا في السيارات ذاتية القيادة لقياس مسافة الكائنات من المركبة.

الشكل 5. مثال على المتوازيات ثلاثية الأبعاد.

Link to this sectionالنقاط الرئيسية والمعالم (Key-points and landmarks)#

نوع آخر مثير للاهتمام من التوصيف هو النقاط الرئيسية، حيث يتم وضع علامة على نقاط محددة مثل العيون أو الأنوف أو المفاصل على الكائنات. تأخذ المعالم هذا الأمر خطوة إلى الأمام من خلال ربط هذه النقاط لالتقاط هيكل وحركة الأشكال الأكثر تعقيدًا، مثل الوجوه أو أوضاع الجسم. تُستخدم هذه الأنواع من التوصيف في تطبيقات مثل التعرف على الوجه، والتقاط الحركة، والواقع المعزز. كما أنها تعمل على تحسين دقة نماذج الذكاء الاصطناعي في مهام مثل التعرف على الإيماءات أو تحليل الأداء الرياضي.

الشكل 6. مثال على النقاط الرئيسية.

Link to this sectionكيفية توصيف البيانات باستخدام LabelImg#

الآن بعد أن ناقشنا الأنواع المختلفة من التوصيفات، دعنا نفهم كيف يمكنك توصيف الصور باستخدام أداة شائعة، LabelImg. LabelImg هي أداة مفتوحة المصدر تجعل توصيف الصور بسيطًا، ويمكن استخدامها لإنشاء مجموعات بيانات بتنسيق YOLO (You Only Look Once). إنها خيار رائع للمبتدئين الذين يعملون على مشاريع Ultralytics YOLOv8 صغيرة.

إعداد LabelImg مباشر. أولاً، تأكد من تثبيت Python 3 على جهاز الكمبيوتر الخاص بك. بعد ذلك، يمكنك تثبيت LabelImg بأمر سريع:

pip3 install labelImg

بمجرد تثبيته، يمكنك بدء تشغيل الأداة باستخدام الأمر:

labelImg

تعمل LabelImg على منصات متعددة، بما في ذلك Windows وmacOS وLinux. إذا واجهت أي مشاكل أثناء التثبيت، يمكن أن يوفر لك المستودع الرسمي لـ LabelImg تعليمات أكثر تفصيلاً.

الشكل 7. استخدام LabelImg لتوصيف الصور.

بمجرد تشغيل الأداة، اتبع هذه الخطوات البسيطة لبدء وضع علامات على صورك:

• إعداد فئاتك: ابدأ بتحديد قائمة الفئات (الفئات) التي تريد توصيفها في ملف باسم "predefined_classes.txt". يتيح هذا الملف للبرنامج معرفة الكائنات التي ستقوم بوضع علامات عليها في صورك.
• التبديل إلى تنسيق YOLO: بشكل افتراضي، تستخدم LabelImg تنسيق PASCAL VOC، ولكن إذا كنت تعمل باستخدام YOLO، فستحتاج إلى تبديل التنسيقات. ما عليك سوى النقر فوق الزر "PascalVOC" على شريط الأدوات للتبديل إلى YOLO.
• بدء التوصيف: استخدم خياري "Open" أو "OpenDIR" لتحميل صورك. بعد ذلك، ارسم مربعات محيطة حول الكائنات التي تريد توصيفها وقم بتعيين تسمية الفئة الصحيحة. بعد توصيف كل صورة، احفظ عملك. ستقوم LabelImg بإنشاء ملف نصي بنفس اسم صورتك، يحتوي على توصيفات YOLO.
• حفظ ومراجعة: يتم حفظ التوصيفات في ملف .txt بتنسيق YOLO. يحفظ البرنامج أيضًا ملف "classes.txt" الذي يسرد جميع أسماء فئاتك.

Link to this sectionاستراتيجيات فعالة لتوصيف البيانات#

لجعل عملية توصيف البيانات أكثر سلاسة، هناك بعض الاستراتيجيات الرئيسية التي يجب وضعها في الاعتبار. على سبيل المثال، تعد إرشادات التوصيف الواضحة أمرًا بالغ الأهمية. وبدونها، قد يفسر الموصِّفون المختلفون المهمة بشكل مختلف.

لنفترض أن المهمة هي توصيف الطيور في الصور بمربعات محيطة. قد يقوم أحد الموصِّفين بوضع علامة على الطائر بالكامل، بينما قد يضع آخر علامة على الرأس أو الأجنحة فقط. هذا النوع من عدم الاتساق يمكن أن يربك النموذج أثناء التدريب. من خلال تقديم تعريفات واضحة، مثل "ضع علامة على الطائر بالكامل بما في ذلك الأجنحة والذيل"، إلى جانب أمثلة وتعليمات للحالات الصعبة، يمكنك التأكد من أن البيانات موسومة بدقة واتساق.

تعد فحوصات الجودة المنتظمة مهمة أيضًا للحفاظ على معايير عالية. من خلال تحديد المعايير واستخدام مقاييس محددة لمراجعة العمل، يمكنك الحفاظ على دقة البيانات وتحسين العملية من خلال التغذية الراجعة المستمرة.

Link to this sectionتوصيف البيانات باختصار#

توصيف البيانات مفهوم بسيط يمكن أن يكون له تأثير كبير على نموذج رؤية الكمبيوتر الخاص بك. سواء كنت تستخدم أدوات مثل LabelImg لتوصيف الصور أو تدريب النماذج على مجموعات بيانات مفتوحة المصدر، فإن فهم توصيف البيانات هو المفتاح. يمكن أن تساعد استراتيجيات توصيف البيانات في تبسيط العملية برمتها، وجعلها أكثر كفاءة. إن تخصيص الوقت لتحسين نهج التوصيف الخاص بك يمكن أن يؤدي إلى نتائج ذكاء اصطناعي أفضل وأكثر موثوقية.

استمر في الاستكشاف وتوسيع مهاراتك! ابقَ على اتصال مع مجتمعنا لمواصلة التعلم عن الذكاء الاصطناعي! تحقق من مستودع GitHub الخاص بنا لاكتشاف كيف نستخدم الذكاء الاصطناعي لإنشاء حلول مبتكرة في صناعات مثل التصنيع والرعاية الصحية. 🚀