استكشاف وسم البيانات لمشاريع الرؤية الحاسوبية

يركز الذكاء الاصطناعي (AI) على منح الآلات قدرات شبيهة بقدرات البشر، ومن أشهر الطرق لتحقيق ذلك التعلم الخاضع للإشراف. وبعبارة أخرى، يمكن لتعليم نماذج الذكاء الاصطناعي عبر عرض أمثلة موسومة عليها أن يساعدها على تعلم الأنماط وتحسين أدائها في المهام. ويشبه ذلك إلى حد كبير طريقة تعلم البشر من التجربة. فكيف تُنشأ هذه الأمثلة الموسومة؟

يتضمن تعليق البيانات تسمية البيانات أو وسمها لمساعدة خوارزميات تعلم الآلة على فهمها. وفي الرؤية الحاسوبية، يعني ذلك تحديد مواضع في الصور أو مقاطع الفيديو كي يتسنى التعرف على الكائنات أو الأفعال أو المشاهد وتصنيفها بدقة. ويُعد وسم البيانات أمرًا بالغ الأهمية، لأن نجاح نموذج الذكاء الاصطناعي يعتمد بدرجة كبيرة على جودة البيانات الموسومة التي يُدرّب عليها.

تشير الدراسات إلى أن أكثر من 80% من وقت مشروعات AI يُنفق على إدارة البيانات، بدءًا من جمع البيانات وتجميعها وصولًا إلى تنظيف البيانات ووسم البيانات. وهذا يبيّن مدى أهمية وسم البيانات في تطوير نماذج AI. ويتيح استخدام بيانات موسومة عالية الجودة لنماذج AI أداء مهام مثل التعرّف على الوجوه واكتشاف الأجسام بدقة وموثوقية أكبر في المواقف الواقعية.

لماذا يُعد تعليق البيانات ضروريًا#

يشكل تعليق البيانات أساس أداء نموذج الرؤية الحاسوبية. فالبيانات المصنفة هي الحقيقة المرجعية التي يستخدمها النموذج للتعلم وإجراء التنبؤات. وتكتسب بيانات الحقيقة المرجعية أهميتها من تمثيلها للعالم الحقيقي الذي يحاول النموذج فهمه. ومن دون هذا الأساس الموثوق، سيكون نموذج الذكاء الاصطناعي أشبه بسفينة تبحر بلا بوصلة.

الشكل 1. الحقيقة المرجعية مقابل التنبؤ.

يساعد التصنيف الدقيق هذه النماذج على فهم ما تراه، ويؤدي إلى اتخاذ قرارات أفضل. فإذا كانت البيانات مصنفة تصنيفًا سيئًا أو غير متسق، فسيواجه النموذج صعوبة في إجراء تنبؤات وقرارات صحيحة، تمامًا كطالب يتعلم من كتب دراسية خاطئة. وبفضل البيانات المعلّقة، يستطيع النموذج تعلم مهام مثل تجزئة الكائنات وتصنيف الصور وتقدير الوضعيات للأجسام في الصور ومقاطع الفيديو.

أفضل مصادر مجموعات البيانات#

قبل إنشاء مجموعة بيانات جديدة تمامًا وتصنيف الصور ومقاطع الفيديو بدقة، من الأفضل التحقق مما إذا كان بإمكانك استخدام مجموعات بيانات موجودة مسبقًا لمشروعك. فهناك عدة مستودعات مفتوحة المصدر تتيح الوصول مجانًا إلى مجموعات بيانات عالية الجودة. ومن أشهرها:

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

الشكل 2. أمثلة على البيانات في مجموعة بيانات COCO.

عند اختيار مجموعة بيانات، من المهم مراعاة عوامل مثل مدى ملاءمتها لمشروعك وحجمها وتنوعها وجودة التصنيفات. واحرص أيضًا على مراجعة شروط ترخيص مجموعة البيانات لتجنب أي تبعات قانونية، وتحقق من تنسيق البيانات للتأكد من ملاءمته لسير عملك وأدواتك.

يُعد إنشاء مجموعة بيانات مخصصة خيارًا رائعًا إذا لم تلائمك مجموعات البيانات الموجودة تمامًا. يمكنك جمع الصور باستخدام أدوات مثل كاميرات الويب أو الطائرات المسيّرة أو الهواتف الذكية، بحسب متطلبات مشروعك. ومن الأفضل أن تكون مجموعة بياناتك المخصصة متنوعة ومتوازنة وممثلة فعلًا 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 قليل من الصور أو مقاطع الفيديو، فإن زيادة البيانات تقنية مفيدة. وهي تتضمن توسيع مجموعة بياناتك بتطبيق تحويلات مثل التدوير والقلب وتعديل الألوان على الصور الموجودة. وهذا يزيد حجم مجموعة بياناتك ويجعل نموذجك أكثر متانة وقدرة على التعامل مع الاختلافات في البيانات. ويمكنك تحسين أداء نماذج الرؤية الحاسوبية بدرجة كبيرة من خلال الجمع بين مجموعات البيانات مفتوحة المصدر والمجموعات المخصصة والبيانات المعززة.

أنواع تقنيات شرح الصور#

قبل البدء في شرح الصور، من المهم الإلمام بأنواع الشروح المختلفة. سيساعدك ذلك على اختيار النوع المناسب لمشروعك. سنستعرض فيما يلي بعض الأنواع الرئيسية للشروح.

صناديق الإحاطة#

تُعد مربعات الإحاطة أكثر أنواع التعليقات التوضيحية شيوعًا في الرؤية الحاسوبية. وهي مربعات مستطيلة تُستخدم لتحديد موضع جسم في صورة. وتُحدَّد هذه المربعات بإحداثيات زواياها، وتساعد نماذج الذكاء الاصطناعي على تحديد الأجسام وتعيين مواقعها. وتُستخدم مربعات الإحاطة أساسًا في اكتشاف الأجسام.

الشكل 3. مثال على مربعات الإحاطة.

أقنعة التجزئة#

في بعض الأحيان، يلزم اكتشاف جسم بدقة أكبر مما يتيحه مجرد رسم مربع إحاطة حوله. وقد يكون المطلوب معرفة حدود الأجسام في الصورة. في هذه الحالة، تتيح أقنعة التجزئة تحديد الخطوط الخارجية للأجسام المعقدة. وتمثل أقنعة التجزئة الأجسام بتفصيل أكبر على مستوى البكسل.

يمكن استخدام هذه الأقنعة في التجزئة الدلالية وتجزئة الكائنات. وتتضمن التجزئة الدلالية تصنيف كل بكسل في الصورة وفقًا للجسم أو المنطقة التي يمثلها، مثل أحد المشاة أو سيارة أو طريق أو رصيف. أما تجزئة الكائنات فتتقدم خطوة أخرى بتحديد كل جسم وفصله على حدة، مثل التمييز بين كل سيارة في الصورة، حتى لو كانت جميعها من النوع نفسه.

الشكل 4. مثال على أقنعة التجزئة الدلالية (يسارًا) وتجزئة الكائنات (يمينًا).

متوازيات المستطيلات ثلاثية الأبعاد#

تشبه متوازيات المستطيلات ثلاثية الأبعاد مربعات الإحاطة، لكنها تضيف معلومات العمق وتقدم تمثيلًا ثلاثي الأبعاد للجسم. وتتيح هذه المعلومات الإضافية للأنظمة فهم شكل الأجسام وحجمها وموضعها في فضاء ثلاثي الأبعاد. وغالبًا ما تُستخدم متوازيات المستطيلات ثلاثية الأبعاد في السيارات ذاتية القيادة لقياس بُعد الأجسام عن المركبة.

الشكل 5. مثال على متوازيات المستطيلات ثلاثية الأبعاد.

النقاط المفتاحية والمعالم#

ومن أنواع التعليقات التوضيحية الأخرى المثيرة للاهتمام النقاط الرئيسية، حيث تُحدَّد نقاط معينة على الأجسام، مثل العينين والأنف والمفاصل. وترتقي المعالم بهذه العملية خطوة أخرى عبر ربط هذه النقاط لالتقاط بنية الأشكال الأكثر تعقيدًا وحركتها، مثل الوجوه أو وضعيات الجسم. وتُستخدم هذه الأنواع من التعليقات التوضيحية في تطبيقات مثل التعرف على الوجوه والتقاط الحركة والواقع المعزز. كما تحسن دقة نماذج الذكاء الاصطناعي في مهام مثل التعرف على الإيماءات أو تحليل الأداء الرياضي.

الشكل 6. مثال على النقاط الرئيسية.

كيفية شرح البيانات باستخدام LabelImg#

بعد أن ناقشنا أنواع التعليقات التوضيحية المختلفة، لنتعرف إلى كيفية تعليق الصور باستخدام أداة شائعة هي LabelImg. LabelImg أداة مفتوحة المصدر تبسّط تعليق الصور، ويمكن استخدامها لإنشاء مجموعات بيانات بتنسيق YOLO (You Only Look Once). وهي خيار رائع للمبتدئين الذين يعملون على مشاريع Ultralytics YOLOv8 صغيرة.

إعداد LabelImg أمر بسيط. 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 مشكلات أثناء التثبيت، فيمكن لمستودع LabelImg الرسمي تزويدك بتعليمات أكثر تفصيلًا. لاحظ أن القائمين على صيانة LabelImg أرشفوه منذ ذلك الحين؛ وللتصنيف عبر المتصفح باستخدام أدوات مدعومة بالذكاء الاصطناعي، راجع محرر التعليقات التوضيحية في منصة Ultralytics.

الشكل 7. استخدام LabelImg لتعليق الصور.

بعد تشغيل الأداة، اتبع هذه الخطوات البسيطة للبدء في وسم صورك:

• إعداد الفئات: ابدأ بتعريف قائمة الفئات (التصنيفات) التي تريد شرحها في ملف باسم “predefined_classes.txt.” يتيح 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 التبديل بين التنسيقات. ما عليك سوى النقر على الزر «PascalVOC» في شريط الأدوات للتبديل إلى YOLO.
• بدء وضع التعليقات التوضيحية: استخدم خياري "Open" أو "OpenDIR" لتحميل صورك. ثم ارسم مربعات إحاطة حول الكائنات التي تريد إضافة تعليقات توضيحية إليها، وعيّن تسمية الفئة الصحيحة. بعد إضافة تسمية لكل صورة، احفظ عملك. سينشئ LabelImg ملفًا نصيًا بالاسم نفسه لصورتك، يحتوي على تعليقات YOLO التوضيحية.
• الحفظ والمراجعة: تُحفظ التعليقات التوضيحية في ملف .txt بتنسيق YOLO. ويحفظ البرنامج أيضًا ملف “classes.txt” الذي يسرد أسماء جميع فئاتك.

استراتيجيات فعّالة لوضع تسميات على البيانات#

لجعل عملية تصنيف البيانات أكثر سلاسة، هناك بعض الاستراتيجيات الأساسية التي ينبغي مراعاتها. فعلى سبيل المثال، تُعد إرشادات التعليق التوضيحي الواضحة ضرورية. فمن دونها، قد يفسر مختلف المصنّفين المهمة بطرق مختلفة.

لنفترض أن المهمة هي إضافة تعليقات توضيحية إلى الطيور في الصور باستخدام مربعات إحاطة. قد يضع أحد القائمين بالتعليق التوضيحي تسمية للطائر بأكمله، بينما يضع آخر تسمية للرأس أو الجناحين فقط. وقد يربك هذا النوع من التباين النموذج أثناء التدريب. ومن خلال تقديم تعريفات واضحة، مثل "ضع تسمية للطائر 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 وضع معايير مرجعية واستخدام مقاييس محددة لمراجعة العمل، يمكنك الحفاظ على دقة البيانات وتحسين العملية عبر التغذية الراجعة المستمرة.

وضع التسميات على البيانات باختصار#

التعليق التوضيحي على البيانات مفهوم بسيط يمكن أن يكون له تأثير كبير في نموذج الرؤية الحاسوبية لديك. سواء أكنت تستخدم أدوات مثل LabelImg لإضافة تعليقات توضيحية إلى الصور، أم تدرّب نماذج على مجموعات بيانات مفتوحة المصدر، فإن فهم وضع التسميات على البيانات أمر أساسي. ويمكن لاستراتيجيات وضع التسميات على البيانات أن تساعد في تبسيط العملية بأكملها وجعلها أكثر كفاءة. وقد يؤدي تخصيص الوقت لتحسين نهجك في التعليق التوضيحي إلى نتائج ذكاء اصطناعي أفضل وأكثر موثوقية.

واصل الاستكشاف وتطوير مهاراتك! ابقَ على تواصل مع مجتمعنا لمواصلة التعلم عن الذكاء الاصطناعي! اطلع على مستودع GitHub لاكتشاف كيفية استخدامنا للذكاء الاصطناعي لإنشاء حلول مبتكرة في قطاعات مثل التصنيع والرعاية الصحية.