استكشاف التعلم الخاضع للإشراف مقابل غير الخاضع للإشراف في الرؤية الحاسوبية

يستند الذكاء الاصطناعي (AI) إلى مفهوم جوهري يتمثل في تعليم الآلات كيفية التعلم والاستنتاج بطرق تحاكي الذكاء البشري. وبشكل مشابه للطريقة التي يتعلم بها البشر من خلال أساليب متنوعة، مثل التوجيه المباشر أو ملاحظة الأنماط والخبرات، تم تصميم أنظمة الذكاء الاصطناعي والتعلم الآلي لاتباع هذه المناهج نفسها.

على وجه التحديد، فيما يتعلق بخوارزميات التعلم الآلي، يتم تدريب الأنظمة على التعلم من البيانات بدلاً من برمجتها صراحةً لكل مهمة. وبدلاً من الاعتماد على قواعد ثابتة، تحدد نماذج التعلم الآلي الأنماط الموجودة في البيانات وتستخدم تلك الأنماط لاتخاذ تنبؤات أو قرارات.

على سبيل المثال، تُعد رؤية الحاسوب فرعاً من الذكاء الاصطناعي والتعلم الآلي الذي يركز على تمكين الأنظمة من تفسير وفهم المعلومات المرئية، مثل الصور ومقاطع الفيديو. وسواء كان ذلك في التعرف على الكائنات أو تحديد الأنماط الخفية عبر مجموعات البيانات الضخمة، تعتمد هذه الأنظمة بشكل كبير على كيفية تدريبها على التعلم.

تُستخدم تقنيات تعلم الذكاء الاصطناعي متنوعة لتدريب هذه الأنظمة، وذلك بناءً على نوع البيانات المتاحة والمشكلة المراد حلها.

تتعلم بعض نماذج رؤية الحاسوب من البيانات المصنفة، حيث يتم إقران كل مدخل بإجابة صحيحة، مما يعني أن كل صورة أو نقطة بيانات تأتي مع تصنيف محدد مسبقاً يخبر النموذج بما تمثله. يتيح ذلك للنموذج تعلم العلاقة بين المدخلات والمخرجات المتوقعة، مما يحسن قدرته على إجراء تنبؤات دقيقة على بيانات جديدة وغير مرئية.

تتعلم نماذج رؤية أخرى من بيانات غير مصنفة، حيث لا يتم توفير إجابات محددة مسبقاً، وتركز بدلاً من ذلك على تحديد الأنماط والعلاقات داخل البيانات نفسها. تُعرف هذه الأساليب على التوالي بـ التعلم الخاضع للإشراف والتعلم غير الخاضع للإشراف، وهي تشكل أساس العديد من أنظمة رؤية الحاسوب المتطورة.

في هذه المقالة، سوف نستكشف التعلم الخاضع للإشراف وغير الخاضع للإشراف، وكيفية استخدامهما في رؤية الحاسوب، وكيفية اختيار النهج الذي يناسب مشروعك في مجال الذكاء الاصطناعي البصري. لنبدأ!

Link to this sectionكيف تعزز أساليب التعلم في الذكاء الاصطناعي رؤية الحاسوب#

يمكنك التفكير في الذكاء الاصطناعي كمظلة تغطي مجموعة من التقنيات التي تمكّن الآلات من أداء مهام تتطلب عادةً ذكاءً بشرياً. وضمن هذه المظلة، يُعد التعلم الآلي مجالاً رئيسياً يجعل من الممكن للأنظمة التعلم من البيانات بدلاً من الاعتماد فقط على قواعد ثابتة.

ضمن التعلم الآلي، تحدد تقنيات التعلم المختلفة كيفية تعلم النموذج وتحسنه بمرور الوقت. وتحدد أساليب مثل التعلم الخاضع للإشراف (التعلم من بيانات مصنفة ذات إجابات صحيحة)، والتعلم غير الخاضع للإشراف (تحديد الأنماط في البيانات غير المصنفة)، والتعلم التعزيزي (التعلم من خلال التجربة والخطأ باستخدام التغذية الراجعة أو المكافآت)، والتعلم شبه الخاضع للإشراف (الجمع بين كمية صغيرة من البيانات المصنفة وكمية كبيرة من البيانات غير المصنفة) كيفية معالجة الأنظمة لبيانات المدخلات وإنشاء بيانات المخرجات.

الشكل 1. نظرة عامة على طرق تعلم الذكاء الاصطناعي (المصدر)

على وجه الخصوص، يتم بناء أنظمة رؤية الحاسوب باستخدام أساليب التعلم هذه لتفسير وفهم البيانات المرئية. ويُعد التعلم الخاضع للإشراف الطريقة الأكثر استخداماً، حيث يسمح للنماذج بالتعلم من أمثلة مصنفة بوضوح وإنتاج نتائج دقيقة وموثوقة.

على سبيل المثال، يمكن تدريب نموذج على صور مصنفة على أنها "قطة" و"كلب"، لتعلم ميزات مثل الشكل والأذنين وهيكل الوجه بحيث يمكنه تصنيف الصور الجديدة بشكل صحيح باستخدام خوارزميات التصنيف. وفي الوقت نفسه، يُستخدم التعلم غير الخاضع للإشراف وشبه الخاضع للإشراف أيضاً في رؤية الحاسوب، وغالباً ما يكون ذلك لاستكشاف الأنماط في البيانات أو لتحسين الأداء عندما تكون البيانات المصنفة محدودة.

Link to this sectionنظرة على استخدام نماذج التعلم الخاضع للإشراف في رؤية الحاسوب#

يمكنك مقارنة خوارزميات التعلم الخاضع للإشراف ببيئة الفصل الدراسي، حيث يقدم المعلم أمثلة مصحوبة بالإجابات الصحيحة حتى يتمكن الطلاب من تعلم ما هو صحيح وما هو خطأ. في التعلم الآلي، تتعلم النماذج بطريقة مماثلة باستخدام البيانات المصنفة، حيث يتم إقران كل مدخل بمخرج معروف.

لنفترض أنك تعمل على بناء نظام رؤية حاسوب يقوم بأتمتة تحليل مباريات البيسبول. يمكنك تدريب نموذج مثل Ultralytics YOLO26 على صور أو إطارات فيديو حيث يتم تصنيف كائنات مثل الكرة والمضرب واللاعبين.

سيتم تمييز كل كائن بموقعه وفئته، مما يُمكّن النموذج من تعلم ما يجب البحث عنه. وبمرور الوقت، يمكن للنموذج اكتشاف هذه الكائنات وتحديد موقعها في لقطات جديدة، مما يدعم حالات الاستخدام مثل تتبع الكرة واكتشاف اللاعبين عبر الإطارات.

الشكل 2. مثال على اكتشاف الكائنات بتمكين التعلم الخاضع للإشراف (المصدر)

بعيداً عن اكتشاف الكائنات، يُستخدم التعلم الخاضع للإشراف على نطاق واسع عبر مجموعة من مهام رؤية الحاسوب مثل تصنيف الصور، وتجزئة المثيل، وتقدير الوضعية، حيث تكون الدقة والاتساق أمراً مهماً. في كل من هذه المهام، تتعلم النماذج من البيانات المصنفة لتحديد أنماط محددة وإجراء تنبؤات موثوقة على المدخلات الجديدة.

تُبنى هذه النماذج عادةً باستخدام التعلم العميق، وهو نوع من التعلم الآلي يستخدم الشبكات العصبية لتعلم الأنماط مباشرة من البيانات. تم تصميم الشبكات العصبية لمعالجة المعلومات بطريقة مستوحاة بشكل غير مباشر من كيفية عمل الدماغ البشري، مما يسمح للنماذج بتعلم ميزات مرئية معقدة من مجموعات بيانات ضخمة.

غالباً ما كانت أساليب رؤية الحاسوب السابقة تعتمد على ميزات مصممة يدوياً مدمجة مع خوارزميات مثل آلات ناقلات الدعم (SVMs هي نماذج تصنف البيانات من خلال إيجاد أفضل حد بين الفئات) أو أشجار القرار (نماذج تتخذ قرارات عن طريق تقسيم البيانات إلى فروع).

في المقابل، تستخدم نماذج رؤية الحاسوب اليوم التعلم العميق لتعلم هذه الميزات تلقائياً من البيانات، مما يجعلها أكثر فعالية في التعامل مع المهام المرئية واسعة النطاق وعالية التفاصيل.

Link to this sectionفهم الحاجة إلى نماذج التعلم غير الخاضع للإشراف في الذكاء الاصطناعي البصري#

على الرغم من أن التعلم الخاضع للإشراف هو النهج المعتمد في رؤية الحاسوب، إلا أن هناك تطبيقات رؤية معينة لا تتوفر فيها البيانات المصنفة أو أنها مكلفة وتستغرق وقتاً طويلاً لإنشائها.

في هذه الحالات، يمكن أن تكون خوارزميات التعلم غير الخاضع للإشراف بديلاً مفيداً. لنفترض أن لديك مجموعة كبيرة من الصور غير المصنفة من كاميرا الحياة البرية.

لا توجد تصنيفات توضح ما تحتوي عليه كل صورة، لكنك لا تزال ترغب في تنظيم البيانات أو فهمها. يمكن لنموذج غير خاضع للإشراف تحليل هذه الصور وتجميع الصور المتشابهة معاً، وفصل الحيوانات التي تبدو متشابهة إلى مجموعات، حتى دون معرفة تصنيفاتها الدقيقة.

Link to this sectionكيف يعمل التعلم غير الخاضع للإشراف في رؤية الحاسوب#

إذن، كيف يعمل التعلم الآلي غير الخاضع للإشراف؟ بدلاً من التعلم من إجابات صحيحة، يتعلم النموذج من خلال تحديد الأنماط والهياكل داخل البيانات من تلقاء نفسه. إنه يبحث عن أوجه التشابه والاختلاف عبر البيانات دون الاعتماد على أمثلة مصنفة.

من حالات الاستخدام الشائعة اكتشاف الشذوذ، حيث يتعلم النموذج كيف تبدو البيانات الطبيعية ثم يحدد أي شيء ينحرف عنها. يُعد اكتشاف الشذوذ والقيم المتطرفة أحد أكثر التطبيقات الصناعية تأثيراً. تشمل الأمثلة اكتشاف العناصر المعيبة على خط التصنيع، أو وضع علامة على فحوصات طبية غير عادية لمراجعتها من قبل أخصائي الأشعة، أو اكتشاف نشاط مشبوه في لقطات المراقبة. ولأن العيوب والشذوذ غالباً ما تكون نادرة ومتنوعة، فإن تصنيف كل حالة ممكنة أمر غير عملي، مما يجعل الأساليب غير الخاضعة للإشراف خياراً طبيعياً.

لدعم ذلك، غالباً ما تُستخدم تقنيات مثل التجميع وتقليل الأبعاد، عادةً على الميزات المستخرجة من الصور بدلاً من الصور الخام نفسها. تعمل طرق التجميع، مثل تجميع k-means، على تجميع الصور المتشابهة معاً بناءً على الأنماط المشتركة، بينما تعمل تقنيات تقليل الأبعاد، مثل تحليل المكونات الرئيسية (PCA)، على تبسيط البيانات من خلال التركيز على أهم الميزات.

وهذا يسهل على النموذج تحديد الأنماط والهياكل ذات المغزى داخل مجموعات البيانات الكبيرة والمعقدة. تتمثل الميزة الرئيسية للتعلم غير الخاضع للإشراف في أنه يعمل بشكل جيد مع البيانات غير المصنفة ويمكنه كشف أنماط ليست واضحة على الفور. ومع ذلك، من الصعب تقييمه ويوفر تحكماً أقل في المخرجات النهائية مقارنة بالتعلم الخاضع للإشراف.

Link to this sectionالتعلم الذاتي التعلم وشبه الخاضع للإشراف في رؤية الحاسوب#

أثناء استكشافك للتعلم الخاضع للإشراف وغير الخاضع للإشراف، قد تتساءل عما إذا كان هناك حل وسط بينهما. من المثير للاهتمام أن التعلم الذاتي وشبه الخاضع للإشراف يسدان الفجوة بين التعلم الخاضع للإشراف وغير الخاضع للإشراف.

تجعل هذه الأساليب من الممكن للنماذج التعلم من البيانات غير المصنفة بشكل أكثر فعالية. وبدلاً من الاعتماد فقط على أمثلة مصنفة، فإنها إما تنشئ مهام تعلم خاصة بها من البيانات أو تجمع بين مجموعة بيانات مصنفة صغيرة وأخرى أكبر غير مصنفة.

في التعلم الذاتي، يتعلم النموذج عن طريق حل مهام تم إنشاؤها من البيانات نفسها. على سبيل المثال، قد يتم إعطاؤه صورة بها جزء مفقود ويتعلم التنبؤ بما يجب أن يملأ تلك المساحة، أو قد يتعلم التعرف على وجهات نظر مختلفة لنفس الكائن. يساعد هذا النموذج على تعلم ميزات مفيدة دون الحاجة إلى تصنيفات يدوية.

من ناحية أخرى، في التعلم شبه الخاضع للإشراف، يتم استخدام كمية صغيرة من البيانات المصنفة جنباً إلى جنب مع مجموعة أكبر من البيانات غير المصنفة لتحسين الأداء. في بعض الحالات، يمكن للنموذج إنشاء تصنيفات للبيانات غير المصنفة واستخدامها لمواصلة التعلم.

تتمثل الفائدة الرئيسية لهذه الأساليب في أنها تقلل من الحاجة إلى مجموعات بيانات مصنفة كبيرة، والتي غالباً ما تكون مكلفة وتستغرق وقتاً طويلاً لإنشائها. ومع ذلك، يمكن أن تكون أكثر تعقيداً في التصميم والتقييم مقارنة بالأساليب الخاضعة للإشراف بالكامل.

Link to this sectionالاختلافات الرئيسية بين التعلم الخاضع للإشراف وغير الخاضع للإشراف#

يعتمد الاختلاف بين التعلم الخاضع للإشراف وغير الخاضع للإشراف على كيفية تعلم النموذج وما يحاول تحقيقه. بينما يعتمد التعلم الخاضع للإشراف على البيانات المصنفة والتوجيه الواضح لتعلم مهام محددة، يعمل التعلم غير الخاضع للإشراف دون إجابات محددة مسبقاً ويركز على اكتشاف الأنماط والهيكل داخل البيانات.

على سبيل المثال، في نظام مراقبة حركة المرور، يمكن تدريب نموذج تعلم خاضع للإشراف على صور مصنفة لاكتشاف المركبات أو المشاة أو إشارات المرور. على النقيض من ذلك، يمكن لنموذج غير خاضع للإشراف تحليل كميات كبيرة من لقطات الفيديو لتجميع أنماط مرور متشابهة أو تحديد أحداث غير عادية، مثل الازدحام غير المتوقع أو الحركة غير الطبيعية، دون أن يتم إخباره صراحةً بما يجب البحث عنه.

Link to this sectionمتى تستخدم التعلم الخاضع للإشراف في رؤية الحاسوب#

يعد التعلم الخاضع للإشراف خياراً رائعاً لمهام رؤية الحاسوب حيث يكون الهدف محدداً بوضوح، ويحتاج النموذج إلى تعيين بيانات المدخلات إلى مخرجات دقيقة. إنه يعمل بشكل جيد بشكل خاص عندما يكون لديك مجموعة بيانات مصنفة موثوقة وتحتاج إلى نتائج متسقة وقابلة للتنبؤ.

الشكل 3. مهام رؤية الحاسوب التي يتم تحفيزها بواسطة التعلم الخاضع للإشراف (المصدر)

يُستخدم عادةً للمشكلات التي يجب أن يميز فيها النموذج بين فئات معروفة أو يتنبأ بنتائج محددة. بدلاً من استكشاف الأنماط، ينصب التركيز على تعلم علاقات دقيقة من البيانات المصنفة، مما يسهل توجيه النموذج نحو النتيجة المرجوة.

ميزة رئيسية أخرى هي التحكم. مع التعلم الخاضع للإشراف، يصبح من الأسهل قياس الأداء باستخدام مقاييس واضحة، وضبط النموذج بدقة، وضمان سلوك مستقر أثناء النشر. وهذا يجعله مثالياً للأنظمة التي تتطلب الاتساق والموثوقية بمرور الوقت.

ومع ذلك، يأتي هذا مع مقايضة. يعتمد النموذج بشكل كبير على جودة وحجم البيانات المصنفة، ويمكن أن يكون جمع وتصنيف مثل هذه البيانات أمراً يستغرق وقتاً طويلاً.

Link to this sectionأمثلة واقعية لرؤية الحاسوب الخاضعة للإشراف#

تستخدم نماذج الذكاء الاصطناعي البصري مثل نماذج Ultralytics YOLO التعلم الخاضع للإشراف لأداء مهام مثل اكتشاف الكائنات بدقة عالية، خاصة في التطبيقات في الوقت الفعلي. إليك بعض حالات استخدام الرؤية الواقعية الشائعة حيث يُحدث التعلم الخاضع للإشراف فرقاً:

• الرعاية الصحية والتصوير الطبي: يمكن للأطباء استخدام أنظمة رؤية الحاسوب المدربة على مسحات مصنفة، مثل الأشعة السينية أو التصوير بالرنين المغناطيسي، حيث تُستخدم المصنفات لتحديد حالات مثل الأورام أو الكسور، مما يدعم تشخيصات أسرع وأكثر دقة.
• فحص الجودة الصناعية: في بيئات التصنيع، يمكن لأنظمة الرؤية المدربة على بيانات مصنفة فحص المنتجات من خلال تحليل عدد من الميزات المتعلقة بالجودة، مثل الشكل وعيوب السطح والقوام والحجم. من خلال التعلم من أمثلة لكل من المنتجات المقبولة والمعيبة، يمكن لهذه الأنظمة تحديد الأخطاء باستمرار والحفاظ على معايير الإنتاج.
• القيادة الذاتية: تعتمد أنظمة القيادة الذاتية على نماذج مدربة على بيانات قيادة مصنفة للتعرف على الممرات والمركبات والمشاة وإشارات المرور، مما يساعد المركبات على التنقل بأمان في الوقت الفعلي.
• أنظمة البيع بالتجزئة والدفع: تستخدم المتاجر نماذج مدربة على صور منتجات مصنفة لتحديد العناصر الموجودة على الأرفف أو عند الدفع، مما يتيح الفوترة الآلية وإدارة مخزون أكثر كفاءة. يمكن لهذه الأنظمة أيضاً دعم مهام مثل تقسيم العملاء عند دمجها مع بيانات إضافية، مما يساعد الشركات على فهم أنماط التسوق بشكل أفضل.
• الزراعة ومراقبة المحاصيل: يمكن للمزارعين استخدام نماذج مدربة على صور مصنفة لاكتشاف وتصنيف المحاصيل، مثل تحديد وحساب البطاطس السليمة والتالفة، مما يحسن مراقبة الجودة ويقلل الخسائر.

الشكل 4. استخدام YOLO لاكتشاف وحساب البطاطس السليمة والمعيبة

Link to this sectionما أنواع المشكلات التي يمكن للتعلم غير الخاضع للإشراف حلها في رؤية الحاسوب#

يعد التعلم غير الخاضع للإشراف مفيداً عندما لا يكون لديك ما يكفي من البيانات المصنفة أو عندما لا تأتي بياناتك بإجابات واضحة. في هذه المواقف، لا يتمثل الهدف في إجراء تنبؤات دقيقة، بل في فهم الأنماط والهيكل في البيانات.

غالباً ما يُستخدم عند استكشاف مجموعة بيانات غير مصنفة لأول مرة. بدلاً من إخبار النموذج بما يجب البحث عنه، فإنك تسمح له بتحديد أوجه التشابه، أو تجميع الصور ذات الصلة، أو إبراز الأنماط غير العادية من تلقاء نفسه.

في مجموعة كبيرة من الصور، يمكن لنهج غير خاضع للإشراف أن يساعد في تنظيم الصور المتشابهة معاً أو وضع علامة على القيم المتطرفة التي قد تحتاج إلى مزيد من الاهتمام. وهذا يجعله نقطة بداية مفيدة في مشاريع علوم البيانات.

تتعلم النماذج التوليدية، بما في ذلك GANs، والمشفرات التلقائية التباينية، ونماذج الانتشار، التوزيع الأساسي للصور لإنشاء صور جديدة تماماً. تعزز هذه النماذج تطبيقات مثل تخليق الصور، والإصلاح، والدقة الفائقة، ونقل الأنماط، وهي تشكل العمود الفقري لأنظمة الذكاء الاصطناعي التوليدي اليوم.

في التجزئة غير الخاضعة للإشراف، تقوم بعض الطرق بتجميع البكسلات أو المناطق في قطاعات متماسكة دون الاعتماد على أقنعة مصنفة، وهو أمر مفيد عندما يكون التصنيف مكلفاً جداً أو عندما يكون الهدف هو اكتشاف الهيكل بدلاً من مطابقة فئات محددة مسبقاً.

يعد التعلم غير الخاضع للإشراف مؤثراً أيضاً عند العمل مع مجموعات بيانات ضخمة حيث يكون التصنيف مستهلكاً للوقت أو غير عملي. في مثل هذه الحالات، فإنه يتيح لك اكتساب رؤى من البيانات دون الاعتماد على بيانات تدريب مصنفة.

يُستخدم أيضاً بشكل شائع في مجالات مثل الذكاء الاصطناعي التوليدي (النماذج التي تنشئ بيانات جديدة مثل الصور أو النصوص أو الصوت) وتعلم التمثيل (النماذج التي تتعلم ميزات أو أنماط مفيدة من البيانات الخام)، حيث تتعلم النماذج ميزات عامة من كميات كبيرة من البيانات. بشكل عام، إذا كانت مشكلتك تتضمن الاستكشاف، أو اكتشاف الأنماط، أو العمل مع بيانات غير مصنفة، فإن التعلم غير الخاضع للإشراف هو نهج مرن وعملي يجب مراعاته.

Link to this sectionأمثلة واقعية للتعلم غير الخاضع للإشراف في رؤية الحاسوب#

فيما يلي بعض الأمثلة على حالات الاستخدام حيث يتم تطبيق التعلم غير الخاضع للإشراف في رؤية الحاسوب:

• اكتشاف الشذوذ في التصنيع: يمكن للنماذج تعلم كيف تبدو المنتجات الطبيعية ويمكنها وضع علامة على العيوب أو المخالفات دون الحاجة إلى أمثلة مصنفة لكل عيب محتمل.
• تنظيم الصور والبحث: يمكن تجميع مجموعات كبيرة من الصور، مثل مكتبات الصور أو كتالوجات التجارة الإلكترونية، تلقائياً بناءً على التشابه البصري، مما يسهل على علماء البيانات تنظيم واستكشاف والبحث عبر مجموعات البيانات الضخمة.
• المراقبة والأمن: يمكن للأنظمة تحليل لقطات الفيديو لتحديد الأنماط أو السلوكيات غير العادية، مثل الحركة غير المتوقعة أو تغيرات الحشود، دون أن يتم تدريبها صراحةً على أحداث مصنفة.
• المعالجة المسبقة واستكشاف البيانات: غالباً ما تُستخدم الطرق غير الخاضعة للإشراف لاستكشاف وهيكلة بيانات الصور الخام قبل تدريب النماذج الخاضعة للإشراف، مما يساعد على تحسين جودة البيانات وتقليل الجهد اليدوي.

Link to this sectionالقيود العملية للتعلم الخاضع للإشراف وغير الخاضع للإشراف#

على الرغم من مزايا كلا نهجي التعلم، هناك بعض القيود التي يجب مراعاتها. فيما يلي بعض العوامل العملية التي يجب وضعها في الاعتبار عند بناء نماذج رؤية الحاسوب:

• الفرط في التخصيص (Overfitting) في النماذج الخاضعة للإشراف: في التعلم الخاضع للإشراف، يمكن للنموذج تعلم بيانات التدريب بشكل وثيق جداً بدلاً من تعلم الأنماط العامة. غالباً ما يحدث هذا عندما تكون مجموعة البيانات صغيرة أو ليست متنوعة بما فيه الكفاية. على سبيل المثال، قد يفشل نموذج مدرب لاكتشاف العيوب في نوع واحد من المنتجات عند اختباره على بيانات جديدة تتكون من منتجات مختلفة قليلاً أو ظروف إضاءة مختلفة.
• التحديات مع خوارزميات التجميع: في التعلم غير الخاضع للإشراف، يمكن للنموذج تجميع نقاط البيانات المتشابهة معاً. ومع ذلك، يمكن أن ينهار هذا عندما تكون البيانات صاخبة، أو غير متسقة، أو تفتقر إلى هيكل واضح. على سبيل المثال، في مهام تجميع الصور، قد يتم تجميع الصور ذات الألوان المتشابهة ولكن الكائنات المختلفة معاً بشكل غير صحيح.
• أهمية المعالجة المسبقة الصحيحة: قبل التدريب، يجب تنظيف البيانات وإعدادها. يتم ذلك عادةً باستخدام مكتبات Python التي تتعامل مع معالجة الصور وتحويل البيانات. وهو أمر مهم بشكل خاص في رؤية الحاسوب، حيث قد تختلف الصور في الحجم أو الجودة أو الإضاءة. بدون معالجة مسبقة مناسبة، قد تتعلم النماذج من الضوضاء بدلاً من الأنماط ذات المغزى، مما يؤدي إلى ضعف الأداء.

Link to this sectionأبرز النقاط#

في رؤية الحاسوب، يلعب كل من التعلم الخاضع للإشراف وغير الخاضع للإشراف أدواراً مهمة. يعتمد النهج الصحيح على نوع البيانات التي لديك، سواء كانت مصنفة أو غير مصنفة، بالإضافة إلى المشكلة التي تحاول حلها واحتياجات النشر الخاصة بك.

إذا كان هدفك هو دقة عالية ومخرجات محددة بوضوح، فغالباً ما يكون التعلم الآلي الخاضع للإشراف هو الخيار الأفضل. إذا كنت تستكشف البيانات أو تعمل بدون تصنيفات، فقد يكون التعلم غير الخاضع للإشراف أكثر ملاءمة.

هل تريد معرفة المزيد عن الذكاء الاصطناعي؟ تفضل بزيارة مجتمعنا ومستودع GitHub. استكشف صفحات الحلول الخاصة بنا للتعرف على الذكاء الاصطناعي في الروبوتات ورؤية الحاسوب في الزراعة. اكتشف خيارات الترخيص الخاصة بنا وابدأ في البناء باستخدام رؤية الحاسوب اليوم!