استكشاف تصنيف البيانات لمشاريع الرؤية الحاسوبية

تركز الذكاء الاصطناعي (AI) على منح الآلات قدرات شبيهة بالبشر، ويُعد التعلّم المُشرف عليه أحد أكثر الطرق شيوعاً لتحقيق ذلك. وبعبارة أخرى، فإن تعليم نماذج الذكاء الاصطناعي من خلال عرض أمثلة مصنفة عليها يساعدها على التعلم من الأنماط والتحسن في أداء المهام. إنه يشبه إلى حد كبير كيفية تعلم البشر من التجربة. إذن، كيف يتم إنشاء هذه الأمثلة المصنفة؟

يتضمن وسم البيانات تصنيف أو وضع علامات على البيانات لمساعدة خوارزميات التعلّم الآلي في فهمها. وفي الرؤية الحاسوبية، يعني هذا تحديد الصور أو مقاطع الفيديو للتعرف بدقة على الكائنات أو الإجراءات أو المشاهد وتصنيفها. يُعد وسم البيانات أمراً بالغ الأهمية لأن نجاح نموذج الذكاء الاصطناعي يعتمد بشكل كبير على جودة البيانات المصنفة التي يتم تدريبه عليها.

تُظهر الدراسات أن أكثر من 80% من وقت مشاريع الذكاء الاصطناعي يُقضى في إدارة البيانات، بدءاً من جمعها وتجمعيها وصولاً إلى تنظيفها ووسمها. يوضح هذا مدى أهمية وسم البيانات في تطوير نماذج الذكاء الاصطناعي. يتيح استخدام بيانات مصنفة عالية الجودة لنماذج الذكاء الاصطناعي أداء مهام مثل التعرف على الوجه واكتشاف الكائنات بدقة وموثوقية أكبر في مواقف العالم الحقيقي.

لماذا يعد توصيف البيانات ضروريًا#

يشكل وسم البيانات الأساس لمدى جودة أداء نموذج الرؤية الحاسوبية. البيانات المصنفة هي الحقيقة الأرضية التي يستخدمها النموذج للتعلم وإجراء التنبؤات. تُعد بيانات الحقيقة الأرضية أمراً رئيسياً لأنها تمثل العالم الحقيقي الذي يحاول النموذج فهمه. بدون هذا الأساس الموثوق، سيكون نموذج الذكاء الاصطناعي بمثابة سفينة تبحر بلا بوصلة.

الشكل 1. الحقيقة الأرضية مقابل التنبؤ.

يساعد الوسم الدقيق هذه النماذج على فهم ما تراه ويؤدي إلى اتخاذ قرارات أفضل. إذا كانت البيانات رديئة الوسم أو غير متسقة، فسيعاني النموذج في إجراء تنبؤات وقرارات صحيحة، تماماً مثل طالب يتعلم من كتب دراسية غير صحيحة. بفضل البيانات المصنفة، يمكن للنموذج تعلم مهام مثل تصنيف الصور، وتجزئة المثيلات، وتقدير الوضعية للكائنات في الصور ومقاطع الفيديو.

أفضل الموارد لمجموعات البيانات#

قبل إنشاء مجموعة بيانات جديدة تماماً ووسم الصور ومقاطع الفيديو بدقة متناهية، من الجيد معرفة ما إذا كان بإمكانك استخدام مجموعات البيانات الجاهزة لمشروعك. هناك العديد من المستودعات مفتوحة المصدر الرائعة حيث يمكنك الوصول إلى مجموعات بيانات عالية الجودة مجاناً. تتضمن بعض أكثرها شعبية ما يلي:

• ImageNet: يُستخدم عادةً لتدريب نماذج تصنيف الصور.
• COCO: صُممت مجموعة البيانات هذه لاكتشاف الكائنات، والتجزئة، والتعليق على الصور.
• PASCAL VOC: وهي 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، وحجم مجموعة البيانات، وتنوعها، جودة العلامات. أيضاً، احرص على مراجعة شروط ترخيص مجموعة البيانات لتجنب أي تداعيات قانونية، وتحقق مما إذا كانت البيانات مُنسقة 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 لم تتمكن سوى من جمع عدد صغير نسبياً من الصور أو مقاطع الفيديو، فإن زيادة البيانات تُعد تقنية مفيدة. وهي تتضمن توسيع مجموعة بياناتك من خلال تطبيق تحويلات مثل التدوير، أو القلب، أو تعديلات الألوان على الصور الموجودة. وهي تزيد من حجم مجموعة بياناتك وتجعل نموذجك أكثر متانة وأفضل قدرة على التعامل مع الاختلافات في البيانات. من خلال استخدام مزيج من مجموعات البيانات مفتوحة المصدر، ومجموعات البيانات المخصصة، والبيانات المُعززة، يمكنك تعزيز أداء نماذج الرؤية الحاسوبية الخاصة بك بشكل كبير.

أنواع 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.

مربعات الإحاطة (BBox)#

المربعات المحيطة هي النوع الأكثر شيوعاً من التعليقات التوضيحية في الرؤية الحاسوبية. وهي مربعات مستطيلة تُستخدم لتحديد موقع كند في الصورة. يتم تحديد هذه المربعات بواسطة إحداثيات زواياها، وتساعد نماذج الذكاء الاصطناعي في تحديد الكائنات وتحديد مواقعها. تُستخدم المربعات المحيطة بشكل أساسي لـ اكتشاف الكائنات.

الشكل 3. مثال على المربعات المحيطة.

أقنعة 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 في التجزئة الدلالية وتجزئة المثيلات. تتضمن التجزئة الدلالية وسم كل بكسل في الصورة وفقاً للكقطعة أو المنطقة التي يمثلها، مثل أحد المشاة، أو سيارة، أو طريق، أو رصيف. أما تجزئة المثيلات، فتذهب خطوة أبعد من ذلك من خلال تحديد وفصل كل كمثل على حدة، مثل التمييز بين كل سيارة في الصورة، حتى وإن كانت جميعها من نفس النوع.

الشكل 4. مثال على التجزئة الدلالية (اليسار) وأقنعة تجزئة المثيلات (اليمين).

المتوازيات ثلاثية الأبعاد (3D Cuboids)#

متوازيات السطوح ثلاثية الأبعاد تشبه المربعات المحيطة، وما يجعلها فريدة هو أن متوازيات السطوح ثلاثية الأبعاد تضيف معلومات العمق وتوفر تمثيلاً ثلاثي الأبعاد للكائن. تتيح هذه المعلومات الإضافية للأنظمة فهم شكل وحجم وموقع الكائنات في مساحة ثلاثية الأبعاد. غالباً ما تُستخدم متوازيات السطوح ثلاثية الأبعاد في السيارات ذاتية القيادة لقياس مسافة الكائنات عن المركبة.

الشكل 5. مثال على متوازيات السطوح ثلاثية الأبعاد.

النقاط الرئيسية والمعالم (Key-points and landmarks)#

نوع آخر مثير للاهتمام من التعليقات التوضيحية هو النقاط الرئيسية، حيث يتم تحديد نقاط معينة مثل العيون، أو الأنف، أو المفاصل على الكائنات. تأخذ المعالم هذا الأمر خطوة أبعد من خلال ربط هذه النقاط لالتقاط بنية وحركة الأشكال الأكثر تعقيداً، مثل الوجوه أو وضعيات الجسم. تُستخدم هذه الأنواع من التعليقات التوضيحية لتطبيقات مثل التعرف على الوجه، والتقاط الحركة، والواقع المعزز. كما أنها تحسن دقة نماذج الذكاء الاصطناعي في مهام مثل التعرف على الإيماءات أو تحليل الأداء الرياضي.

الشكل 6. مثال على النقاط الرئيسية.

كيفية توصيف البيانات باستخدام LabelImg#

الآن بعد أن ناقشنا الأنواع المختلفة للتعليقات التوضيحية، دعونا نفهم كيف يمكنك التعليق على الصور باستخدام أداة شائعة، وهي LabelImg. LabelImg هي أداة مفتوحة المصدر تجعل عملية التعليق على الصور بسيطة، ويمكن استخدامها لإنشاء مجموعات بيانات بتنسيق YOLO (You Only Look Once). إنها خيار ممتاز للمبتدئين الذين يعملون على مشاريع صغيرة باستخدام Ultralytics YOLOv8.

إعداد LabelImg أمر بسيط للغاية. أولاً، تأكد من تثبيت Python 3 على حاسوبك. بعد ذلك، يمكنك تثبيت LabelImg باستخدام أمر سريع:

pip3 install labelImg

بمجرد تثبيته، يمكنك بدء تشغيل الأداة باستخدام الأمر:

labelImg

تعمل أداة LabelImg على منصات متعددة، بما في ذلك Windows وmacOS وLinux. إذا واجهت أي مشكلات أثناء التثبيت، يمكن لمستودع LabelImg الرسمي تزويدك بتعليمات 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.

استراتيجيات 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.

توصيف 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 تواصل مع مجتمعنا لتستمر في التعلم حول الذكاء الاصطناعي! تحقق من مستودع GitHub الخاص بنا لتكتشف كيف نستخدم الذكاء الاصطناعي لإنشاء حلول مبتكرة في قطاعات مثل التصنيع والرعاية الصحية. 🚀