استكشاف وسم البيانات لمشروعات الرؤية الحاسوبية

يركز الذكاء الاصطناعي (AI) على منح الآلات قدرات شبيهة بقدرات البشر، ومن أكثر الطرق شيوعًا لتحقيق ذلك التعلّم الخاضع للإشراف. وبعبارة أخرى، يمكن أن يساعد تعليم نماذج الذكاء الاصطناعي من خلال عرض أمثلة موسومة عليها على التعلّم من الأنماط وتحسين أدائها في المهام. وهذا يشبه إلى حد كبير الطريقة التي يتعلم بها البشر من الخبرة. إذن، كيف تُنشأ هذه الأمثلة الموسومة؟

يتضمن تعليق البيانات وسم البيانات أو إضافة علامات إليها لمساعدة خوارزميات تعلّم الآلة على فهمها. وفي الرؤية الحاسوبية، يعني ذلك تحديد مواضع الصور أو مقاطع الفيديو للتعرّف بدقة على الكائنات أو الأفعال أو المشاهد وتصنيفها. ويُعد وسم البيانات أمرًا حيويًا، لأن نجاح نموذج الذكاء الاصطناعي يعتمد بدرجة كبيرة على جودة البيانات الموسومة التي يتدرب عليها.

تُظهر الدراسات أن أكثر من 80% من وقت مشاريع الذكاء الاصطناعي يُنفق على إدارة البيانات، بدءًا من جمعها وتجميعها وصولًا إلى تنظيفها ووسمها. ويوضح ذلك مدى أهمية تعليق البيانات في تطوير نماذج الذكاء الاصطناعي. ويتيح استخدام البيانات المشروحة عالية الجودة لنماذج الذكاء الاصطناعي تنفيذ مهام مثل التعرّف على الوجوه واكتشاف الكائنات بدقة وموثوقية أكبر في المواقف الواقعية.

لماذا يُعد تعليق البيانات ضروريًا#

يشكل تعليق البيانات الأساس الذي يحدد مدى جودة أداء نموذج الرؤية الحاسوبية. فالبيانات الموسومة هي الحقيقة الأساسية التي يستخدمها النموذج للتعلم وإجراء التنبؤات. وتكتسب بيانات الحقيقة الأساسية أهمية كبيرة لأنها تمثل العالم الحقيقي الذي يحاول النموذج فهمه. ومن دون هذا الأساس الموثوق، سيكون نموذج الذكاء الاصطناعي أشبه بسفينة تبحر من دون بوصلة.

الشكل 1. الحقيقة الأساسية مقارنةً بالتنبؤ.

يساعد الوسم الدقيق هذه النماذج على فهم ما تراه، ويؤدي إلى اتخاذ قرارات أفضل. وإذا كانت البيانات موسومة بشكل سيئ أو غير متسق، فسيواجه النموذج صعوبة في إجراء تنبؤات وقرارات صحيحة، تمامًا مثل طالب يتعلم من كتب دراسية تحتوي على معلومات غير صحيحة. وبفضل البيانات المشروحة، يمكن للنموذج تعلم مهام مثل تصنيف الصور وتقسيم المثيلات وتقدير الوضعيات للكائنات في الصور ومقاطع الفيديو.

أفضل الموارد لمجموعات البيانات#

قبل إنشاء مجموعة بيانات جديدة تمامًا ووسم الصور ومقاطع الفيديو بعناية، من الجيد معرفة ما إذا كان بإمكانك استخدام مجموعات بيانات موجودة مسبقًا لمشروعك. توجد عدة مستودعات رائعة مفتوحة المصدر يمكنك من خلالها الوصول مجانًا إلى مجموعات بيانات عالية الجودة. ومن أشهرها:

• ImageNet: تُستخدم عادةً لتدريب نماذج تصنيف الصور.
• COCO: صُممت مجموعة البيانات هذه لمهام اكتشاف الكائنات وتقسيمها وإضافة التسميات التوضيحية إلى الصور.
• PASCAL VOC: تدعم مهام اكتشاف الكائنات وتقسيمها.

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 التسميات. واحرص أيضًا على مراجعة شروط الترخيص الخاصة بمجموعة البيانات لتجنب أي تبعات قانونية، والتحقق من تنسيق البيانات بما يتناسب مع سير عملك وأدواتك.

يُعد إنشاء مجموعة بيانات مخصصة خيارًا رائعًا إذا كانت مجموعات البيانات الحالية لا تلبي احتياجاتك تمامًا. ويمكنك جمع الصور باستخدام أدوات مثل كاميرات الويب أو الطائرات المسيّرة أو الهواتف الذكية، بحسب متطلبات مشروعك. ومن الناحية المثالية، ينبغي أن تكون مجموعة البيانات المخصصة متنوعة ومتوازنة وممثلة فعليًا للمشكلة التي تحاول حلها. وقد يعني ذلك التقاط صور في ظروف إضاءة مختلفة، ومن زوايا متعددة، وفي بيئات متنوعة.

إذا لم تتمكن من جمع سوى عدد صغير من الصور أو مقاطع الفيديو، فإن زيادة البيانات تقنية مفيدة. وهي تتضمن توسيع مجموعة البيانات بتطبيق تحويلات مثل التدوير أو القلب أو تعديلات الألوان على الصور الموجودة. وتزيد هذه العملية حجم مجموعة البيانات وتجعل النموذج أكثر متانة وقدرةً على التعامل مع التباينات في البيانات. ومن خلال استخدام مزيج من مجموعات البيانات مفتوحة المصدر، ومجموعات البيانات المخصصة، والبيانات المُعزَّزة، يمكنك تحسين أداء نماذج الرؤية الحاسوبية لديك بدرجة كبيرة.

أنواع تقنيات تعليق الصور#

قبل البدء في تعليق الصور، من المهم الإلمام بالأنواع المختلفة للتعليقات التوضيحية. وسيساعدك ذلك على اختيار النوع المناسب لمشروعك. وفيما يلي نستعرض بعض الأنواع الرئيسية للتعليقات التوضيحية.

مربعات الإحاطة#

تُعد المربعات المحيطة أكثر أنواع التعليقات التوضيحية شيوعًا في الرؤية الحاسوبية. وهي مربعات مستطيلة تُستخدم لتحديد موقع كائن في صورة. وتُعرَّف هذه المربعات بإحداثيات زواياها، وتساعد نماذج الذكاء الاصطناعي على تحديد الكائنات وتحديد مواقعها. وتُستخدم المربعات المحيطة أساسًا في اكتشاف الكائنات.

الشكل 3. مثال على المربعات المحيطة.

أقنعة التقسيم#

أحيانًا، يلزم اكتشاف كائن بدقة أكبر من مجرد رسم مربع محيط حوله. وقد تكون مهتمًا بحدود الكائنات في صورة ما. في هذه الحالة، تتيح لك أقنعة التقسيم تحديد الخطوط الخارجية للكائنات المعقدة. وتمثل أقنعة التقسيم الكائنات على مستوى البكسل بتفصيل أكبر.

يمكن استخدام هذه الأقنعة في التقسيم الدلالي وتقسيم المثيلات. ويتضمن التقسيم الدلالي وسم كل بكسل في الصورة وفقًا للكائن أو المنطقة التي يمثلها، مثل أحد المشاة أو سيارة أو طريق أو رصيف. أما تقسيم المثيلات، فيتجاوز ذلك بتحديد كل كائن وفصله على حدة، مثل التمييز بين كل سيارة في صورة ما، حتى لو كانت جميعها من النوع نفسه.

الشكل 4. مثال على أقنعة التقسيم الدلالي (يسارًا) وتقسيم المثيلات (يمينًا).

متوازيات السطوح ثلاثية الأبعاد#

تشبه متوازيات السطوح ثلاثية الأبعاد المربعات المحيطة، لكن ما يميزها هو أنها تضيف معلومات العمق وتوفر تمثيلًا ثلاثي الأبعاد للكائن. وتتيح هذه المعلومات الإضافية للأنظمة فهم شكل الكائنات وحجمها وموضعها في فضاء ثلاثي الأبعاد. وغالبًا ما تُستخدم متوازيات السطوح ثلاثية الأبعاد في السيارات ذاتية القيادة لقياس مسافة الكائنات عن المركبة.

الشكل 5. مثال على متوازيات السطوح ثلاثية الأبعاد.

النقاط الأساسية والمعالم#

من أنواع التعليقات التوضيحية الأخرى المثيرة للاهتمام النقاط الأساسية، حيث تُحدد نقاط معينة مثل العينين أو الأنف أو المفاصل على الكائنات. وتخطو المعالم خطوة إضافية بربط هذه النقاط لالتقاط بنية الأشكال الأكثر تعقيدًا وحركتها، مثل الوجوه أو وضعيات الجسم. وتُستخدم هذه الأنواع من التعليقات التوضيحية في تطبيقات مثل التعرّف على الوجوه، والتقاط الحركة، والواقع المعزَّز. كما تحسن دقة نماذج الذكاء الاصطناعي في مهام مثل التعرّف على الإيماءات أو تحليل الأداء الرياضي.

الشكل 6. مثال على النقاط الأساسية.

كيفية تعليق البيانات باستخدام LabelImg#

بعد أن ناقشنا الأنواع المختلفة للتعليقات التوضيحية، لنتعرف على كيفية تعليق الصور باستخدام أداة شائعة هي LabelImg. LabelImg أداة مفتوحة المصدر تبسط عملية تعليق الصور، ويمكن استخدامها لإنشاء مجموعات بيانات بتنسيق YOLO (انظر مرة واحدة فقط). وهي خيار رائع للمبتدئين الذين يعملون على مشاريع Ultralytics YOLOv8 الصغيرة.

يُعد إعداد LabelImg أمرًا بسيطًا. أولًا، تأكد من تثبيت Python 3 على جهاز الكمبيوتر. بعد ذلك، يمكنك تثبيت LabelImg باستخدام أمر سريع:

pip3 install labelImg

بعد تثبيته، يمكنك تشغيل الأداة باستخدام الأمر:

labelImg

يعمل LabelImg على منصات متعددة، بما في ذلك Windows وmacOS وLinux. وإذا واجهت أي مشكلات أثناء التثبيت، فيمكن أن يزوّدك مستودع LabelImg الرسمي بتعليمات أكثر تفصيلًا.

الشكل 7. استخدام LabelImg لتعليق الصور.

بعد تشغيل الأداة، اتبع هذه الخطوات البسيطة لبدء وسم صورك:

• إعداد الفئات: ابدأ بتحديد قائمة الفئات (التصنيفات) التي تريد تعليقها في ملف باسم “predefined_classes.txt.” ويتيح هذا الملف للبرنامج معرفة الكائنات التي ستوسمها في صورك.
• التبديل إلى تنسيق YOLO: يستخدم LabelImg تنسيق PASCAL VOC افتراضيًا، ولكن إذا كنت تعمل باستخدام YOLO، فستحتاج إلى تبديل التنسيق. ما عليك سوى النقر على زر “PascalVOC” في شريط الأدوات للتبديل إلى YOLO.
• بدء التعليق: استخدم خياري "Open" أو "OpenDIR" لتحميل صورك. ثم ارسم مربعات محيطة حول الكائنات التي تريد تعليقها وعيّن تسمية الفئة الصحيحة. بعد وسم كل صورة، احفظ عملك. سينشئ LabelImg ملفًا نصيًا بالاسم نفسه الذي تحمله صورتك، ويحتوي على تعليقات YOLO التوضيحية.
• الحفظ والمراجعة: تُحفظ التعليقات التوضيحية في ملف .txt بتنسيق YOLO. كما يحفظ البرنامج ملفًا باسم “classes.txt” يتضمن أسماء جميع فئاتك.

استراتيجيات فعّالة لوسم البيانات#

لجعل عملية وسم البيانات أكثر سلاسة، هناك بعض الاستراتيجيات الأساسية التي ينبغي وضعها في الاعتبار. فعلى سبيل المثال، تُعد إرشادات التعليق الواضحة أمرًا بالغ الأهمية. ومن دونها، قد يفسر المعلّقون المختلفون المهمة بطرق مختلفة.

لنفترض أن المهمة هي وسم الطيور في الصور باستخدام المربعات المحيطة. فقد يوسم أحد المعلّقين الطائر بأكمله، بينما قد يوسم آخر الرأس أو الجناحين فقط. ويمكن لهذا النوع من عدم الاتساق أن يربك النموذج أثناء التدريب. ومن خلال تقديم تعريفات واضحة، مثل "وسم الطائر بأكمله بما في ذلك الجناحان والذيل"، إلى جانب أمثلة وتعليمات للحالات الصعبة، يمكنك ضمان وسم البيانات بدقة واتساق.

تُعد فحوصات الجودة المنتظمة مهمة أيضًا للحفاظ على معايير عالية. ومن خلال تحديد معايير مرجعية واستخدام مقاييس محددة لمراجعة العمل، يمكنك الحفاظ على دقة البيانات وتحسين العملية من خلال الملاحظات المستمرة.

وسم البيانات باختصار#

تعليق البيانات مفهوم بسيط يمكن أن يكون له تأثير كبير في نموذج الرؤية الحاسوبية لديك. وسواء كنت تستخدم أدوات مثل LabelImg لتعليق الصور أو تدرب النماذج على مجموعات بيانات مفتوحة المصدر، فإن فهم وسم البيانات أمر أساسي. ويمكن لاستراتيجيات وسم البيانات أن تساعد على تبسيط العملية بأكملها وجعلها أكثر كفاءة. وقد يؤدي تخصيص الوقت لتحسين أسلوب التعليق إلى نتائج أفضل وأكثر موثوقية للذكاء الاصطناعي.

واصل الاستكشاف وتوسيع مهاراتك! ابقَ على تواصل مع مجتمعنا لمواصلة التعلم عن الذكاء الاصطناعي! وتفقّد مستودعنا على GitHub لاكتشاف كيفية استخدامنا للذكاء الاصطناعي لإنشاء حلول مبتكرة في صناعات مثل التصنيع والرعاية الصحية. 🚀