استكشاف التعلم الخاضع للإشراف مقابل التعلم غير الخاضع للإشراف في الرؤية الحاسوبية

يقوم الذكاء الاصطناعي (AI) على مفهوم أساسي، وهو تعليم الآلات التعلّم والاستدلال بطرق تحاكي الذكاء البشري. وعلى غرار تعلّم الأشخاص بطرائق مختلفة، مثل تلقي التعليمات المباشرة أو ملاحظة الأنماط والخبرات، صُممت أنظمة الذكاء الاصطناعي والتعلّم الآلي لاتباع هذه الأساليب نفسها.

وعلى وجه التحديد، تُدرَّب الأنظمة في خوارزميات التعلّم الآلي على التعلّم من البيانات بدلًا من برمجتها صراحةً لأداء كل مهمة. فبدلًا من الاعتماد على قواعد ثابتة، تحدد نماذج التعلّم الآلي الأنماط في البيانات وتستخدمها لإجراء التنبؤات أو اتخاذ القرارات.

فعلى سبيل المثال، يُعد الرؤية الحاسوبية فرعًا من الذكاء الاصطناعي والتعلّم الآلي، يركز على تمكين الأنظمة من تفسير المعلومات المرئية وفهمها، مثل الصور ومقاطع الفيديو. وتعتمد هذه الأنظمة اعتمادًا كبيرًا على طريقة تدريبها على التعلّم، بدءًا من التعرّف على الأشياء ووصولًا إلى تحديد الأنماط الخفية ضمن مجموعات البيانات الكبيرة.

تُستخدم تقنيات التعلّم في الذكاء الاصطناعي المختلفة لتدريب هذه الأنظمة، بحسب نوع البيانات المتاحة والمشكلة المراد حلها.

تتعلّم بعض نماذج الرؤية الحاسوبية من بيانات موسومة، حيث يقترن كل مُدخل بإجابة صحيحة. وهذا يعني أن كل صورة أو نقطة بيانات تأتي مع تسمية محددة مسبقًا تخبر النموذج بما تمثله. ويتيح ذلك للنموذج تعلّم العلاقة بين المُدخل والمُخرج المتوقع، ما يحسّن قدرته على إجراء تنبؤات دقيقة بشأن بيانات جديدة لم يسبق له رؤيتها.

تتعلّم نماذج الرؤية الأخرى من بيانات غير موسومة، حيث لا تُقدَّم إجابات محددة مسبقًا، بل تركز النماذج على تحديد الأنماط والعلاقات داخل البيانات نفسها. وتُعرف هذه الأساليب على التوالي باسم التعلّم الخاضع للإشراف والتعلّم غير الخاضع للإشراف، وهما يشكلان أساسًا للعديد من أنظمة الرؤية الحاسوبية المتطورة.

سنستكشف في هذه المقالة التعلّم الخاضع للإشراف وغير الخاضع للإشراف، وكيفية استخدامهما في الرؤية الحاسوبية، وكيفية اختيار النهج الأنسب لمشروعك في مجال الذكاء الاصطناعي للرؤية. لنبدأ!

كيف تُمكّن أساليب التعلّم في الذكاء الاصطناعي الرؤية الحاسوبية#

يمكنك التفكير في الذكاء الاصطناعي على أنه مظلة تضم مجموعة من التقنيات التي تمكّن الآلات من أداء مهام تتطلب عادةً ذكاءً بشريًا. ويُعد التعلّم الآلي ضمن هذه المظلة مجالًا رئيسيًا يتيح للأنظمة التعلّم من البيانات بدلًا من الاعتماد على القواعد الثابتة وحدها.

تحدد تقنيات التعلّم المختلفة، ضمن مجال التعلّم الآلي، كيفية تعلّم النموذج وتحسّنه بمرور الوقت. وتحدد مناهج مثل التعلّم الخاضع للإشراف (التعلّم من بيانات موسومة بإجابات صحيحة)، والتعلّم غير الخاضع للإشراف (تحديد الأنماط في البيانات غير الموسومة)، والتعلّم المعزز (التعلّم بالتجربة والخطأ باستخدام التغذية الراجعة أو المكافآت)، والتعلّم شبه الخاضع للإشراف (الجمع بين كمية صغيرة من البيانات الموسومة وكمية كبيرة من البيانات غير الموسومة) كيفية معالجة الأنظمة للبيانات المُدخلة وتوليد البيانات المُخرجة.

الشكل 1. نظرة عامة على أساليب التعلّم في الذكاء الاصطناعي (المصدر)

تُبنى أنظمة الرؤية الحاسوبية، على وجه الخصوص، باستخدام أساليب التعلّم هذه لتفسير البيانات المرئية وفهمها. ويُعد التعلّم الخاضع للإشراف الأسلوب الأكثر استخدامًا، إذ يتيح للنماذج التعلّم من أمثلة موسومة بوضوح وإنتاج نتائج دقيقة وموثوقة.

فعلى سبيل المثال، يمكن تدريب نموذج على صور موسومة بكلمتي «قطة» و«كلب»، ليتعلّم سمات مثل الشكل والأذنين وبنية الوجه، حتى يتمكن من تصنيف الصور الجديدة تصنيفًا صحيحًا باستخدام خوارزميات التصنيف. وفي الوقت نفسه، يُستخدم التعلّم غير الخاضع للإشراف وشبه الخاضع للإشراف أيضًا في الرؤية الحاسوبية، غالبًا لاستكشاف الأنماط في البيانات أو تحسين الأداء عندما تكون البيانات الموسومة محدودة.

نظرة على استخدام نماذج التعلّم الخاضع للإشراف في الرؤية الحاسوبية#

يمكنك تشبيه خوارزميات التعلّم الخاضع للإشراف ببيئة صفية، حيث يقدم المعلم أمثلة وإجابات صحيحة ليتعلّم الطلاب الصواب من الخطأ. وفي التعلّم الآلي، تتعلّم النماذج بطريقة مشابهة باستخدام بيانات موسومة، يقترن فيها كل مُدخل بمُخرج معروف.

لنفترض أنك تعمل على بناء نظام للرؤية الحاسوبية يؤتمت تحليل مباريات البيسبول. يمكنك تدريب نموذج مثل Ultralytics YOLO26 على صور أو إطارات فيديو موسومة بأشياء مثل الكرة والمضرب واللاعبين.

سيُحدَّد موضع كل عنصر وفئته، ما يمكّن النموذج من تعلّم ما ينبغي البحث عنه. وبمرور الوقت، يستطيع النموذج اكتشاف هذه العناصر وتحديد مواقعها في لقطات جديدة، مما يدعم حالات استخدام مثل تتبّع الكرة واكتشاف اللاعبين عبر الإطارات.

الشكل 2. مثال على اكتشاف الأشياء باستخدام التعلّم الخاضع للإشراف (المصدر)

إلى جانب اكتشاف الأشياء، يُستخدم التعلّم الخاضع للإشراف على نطاق واسع في مجموعة من مهام الرؤية الحاسوبية، مثل تصنيف الصور وتقسيم الكائنات وتقدير الوضعية، حيث تكون الدقة والاتساق مهمين. وفي كل مهمة من هذه المهام، تتعلّم النماذج من البيانات الموسومة لتحديد أنماط معينة وإجراء تنبؤات موثوقة بشأن المُدخلات الجديدة.

تُبنى هذه النماذج عادةً باستخدام التعلّم العميق، وهو نوع من التعلّم الآلي يستخدم الشبكات العصبية لتعلّم الأنماط مباشرةً من البيانات. وقد صُممت الشبكات العصبية لمعالجة المعلومات بطريقة مستوحاة إلى حد ما من عمل الدماغ البشري، ما يتيح للنماذج تعلّم سمات مرئية معقدة من مجموعات بيانات كبيرة.

اعتمدت أساليب الرؤية الحاسوبية الأقدم غالبًا على سمات مصممة يدويًا ومقترنة بخوارزميات مثل آلات متجهات الدعم (SVMs، وهي نماذج تصنّف البيانات من خلال إيجاد أفضل حد فاصل بين الفئات) أو أشجار القرار (نماذج تتخذ القرارات بتقسيم البيانات إلى فروع).

في المقابل، تستخدم نماذج الرؤية الحاسوبية اليوم التعلّم العميق لتعلّم هذه السمات تلقائيًا من البيانات، ما يجعلها أكثر فاعلية في التعامل مع المهام المرئية واسعة النطاق والغنية بالتفاصيل.

فهم الحاجة إلى نماذج التعلّم غير الخاضع للإشراف في الذكاء الاصطناعي للرؤية#

مع أن التعلّم الخاضع للإشراف هو النهج المفضل في الرؤية الحاسوبية، فإن بعض تطبيقات الرؤية تفتقر إلى البيانات الموسومة أو تكون كلفة إنشائها باهظة وتستغرق وقتًا طويلًا.

في هذه الحالات، يمكن أن تكون خوارزميات التعلّم غير الخاضع للإشراف بديلًا مفيدًا. لنفترض أن لديك مجموعة كبيرة من الصور غير الموسومة التقطتها كاميرا للحياة البرية.

لا توجد تسميات توضّح ما تحتويه كل صورة، لكنك ما زلت ترغب في تنظيم البيانات أو فهمها. يستطيع نموذج غير خاضع للإشراف تحليل هذه الصور وتجميع الصور المتشابهة معًا، وفصل الحيوانات المتشابهة المظهر ضمن مجموعات، حتى من دون معرفة تسمياتها الدقيقة.

كيف يعمل التعلّم غير الخاضع للإشراف في الرؤية الحاسوبية#

إذًا، كيف يعمل التعلّم الآلي غير الخاضع للإشراف؟ بدلًا من التعلّم من الإجابات الصحيحة، يتعلّم النموذج من خلال تحديد الأنماط والبنية داخل البيانات بنفسه. فهو يبحث عن أوجه التشابه والاختلاف بين البيانات دون الاعتماد على أمثلة موسومة.

من حالات الاستخدام الشائعة اكتشاف الحالات الشاذة، حيث يتعلّم النموذج شكل البيانات الطبيعية ثم يحدد كل ما ينحرف عنها. ويُعد اكتشاف الحالات الشاذة والقيم المتطرفة من أكثر التطبيقات الصناعية تأثيرًا. ومن أمثلته رصد المنتجات المعيبة على خط التصنيع، أو تمييز الصور الطبية غير المعتادة لمراجعتها من قِبل اختصاصي الأشعة، أو اكتشاف الأنشطة المشبوهة في لقطات المراقبة. ولأن العيوب والحالات الشاذة نادرة ومتنوعة في كثير من الأحيان، فمن غير العملي وسم كل حالة محتملة، ما يجعل الأساليب غير الخاضعة للإشراف خيارًا مناسبًا بطبيعتها.

لدعم ذلك، تُستخدم غالبًا تقنيات مثل التجميع وتقليل الأبعاد، عادةً على السمات المستخرجة من الصور بدلًا من الصور الخام نفسها. تجمع أساليب التجميع، مثل تجميع k-means، الصور المتشابهة بناءً على الأنماط المشتركة، بينما تبسّط تقنيات تقليل الأبعاد، مثل تحليل المكونات الرئيسية (PCA)، البيانات بالتركيز على أهم السمات.

يسهّل ذلك على النموذج تحديد الأنماط والبنية ذات المعنى داخل مجموعات البيانات الكبيرة والمعقدة. وتتمثل الميزة الرئيسية للتعلّم غير الخاضع للإشراف في فعاليته مع البيانات غير الموسومة وقدرته على كشف أنماط لا تظهر بوضوح من النظرة الأولى. إلا أن تقييمه أصعب، كما أنه يوفر تحكمًا أقل في المُخرجات النهائية مقارنةً بالتعلّم الخاضع للإشراف.

التعلّم ذاتي الإشراف وشبه الخاضع للإشراف في الرؤية الحاسوبية#

عند استكشاف التعلّم الخاضع للإشراف وغير الخاضع للإشراف، قد تتساءل عما إذا كان هناك حل وسط بينهما. ومن المثير للاهتمام أن التعلّم ذاتي الإشراف وشبه الخاضع للإشراف يسدان الفجوة بين هذين النوعين من التعلّم.

تتيح هذه الأساليب للنماذج التعلّم من البيانات غير الموسومة بفاعلية أكبر. فبدلًا من الاعتماد على الأمثلة الموسومة وحدها، تنشئ هذه الأساليب مهام التعلّم الخاصة بها من البيانات أو تجمع مجموعة بيانات صغيرة موسومة مع أخرى أكبر غير موسومة.

في التعلّم ذاتي الإشراف، يتعلّم النموذج من خلال حل مهام مُنشأة من البيانات نفسها. فعلى سبيل المثال، قد تُعرض عليه صورة ينقصها جزء، فيتعلّم التنبؤ بما ينبغي أن يملأ ذلك الجزء، أو قد يتعلّم التعرّف على مشاهد مختلفة للشيء نفسه. ويساعد ذلك النموذج على تعلّم سمات مفيدة من دون الحاجة إلى تسميات يدوية.

أما في التعلّم شبه الخاضع للإشراف، فتُستخدم كمية صغيرة من البيانات الموسومة إلى جانب مجموعة أكبر من البيانات غير الموسومة لتحسين الأداء. وفي بعض الحالات، يستطيع النموذج إنشاء تسميات للبيانات غير الموسومة واستخدامها لمواصلة التعلّم.

تتمثل الفائدة الرئيسية لهذه الأساليب في تقليل الحاجة إلى مجموعات بيانات كبيرة وموسومة، والتي غالبًا ما يكون إنشاؤها مكلفًا ويستغرق وقتًا طويلًا. غير أن تصميمها وتقييمها قد يكونان أكثر تعقيدًا مقارنةً بأساليب التعلّم الخاضع للإشراف بالكامل.

الفروق الرئيسية بين التعلّم الخاضع للإشراف وغير الخاضع للإشراف#

يتوقف الفرق بين التعلّم الخاضع للإشراف وغير الخاضع للإشراف على كيفية تعلّم النموذج والهدف الذي يسعى إلى تحقيقه. فبينما يعتمد التعلّم الخاضع للإشراف على البيانات الموسومة والتوجيه الواضح لتعلّم مهام محددة، يعمل التعلّم غير الخاضع للإشراف دون إجابات محددة مسبقًا ويركز على اكتشاف الأنماط والبنية داخل البيانات.

فعلى سبيل المثال، يمكن تدريب نموذج تعلّم خاضع للإشراف في نظام لمراقبة حركة المرور على صور موسومة لاكتشاف المركبات أو المشاة أو إشارات المرور. أما النموذج غير الخاضع للإشراف، فيمكنه تحليل كميات كبيرة من لقطات الفيديو لتجميع أنماط حركة المرور المتشابهة أو تحديد الأحداث غير المعتادة، مثل الازدحام المفاجئ أو الحركة غير الطبيعية، دون إخباره صراحةً بما ينبغي البحث عنه.

متى يُستخدم التعلّم الخاضع للإشراف في الرؤية الحاسوبية#

يُعد التعلّم الخاضع للإشراف خيارًا رائعًا لمهام الرؤية الحاسوبية التي يكون هدفها محددًا بوضوح، ويحتاج فيها النموذج إلى تحويل البيانات المُدخلة إلى مُخرجات دقيقة. وهو فعّال بوجه خاص عند توفر مجموعة بيانات موثوقة وموسومة والحاجة إلى نتائج متسقة ويمكن التنبؤ بها.

الشكل 3. مهام الرؤية الحاسوبية المعتمدة على التعلّم الخاضع للإشراف (المصدر)

يُستخدم هذا النهج عادةً في المشكلات التي يتعين فيها على النموذج التمييز بين فئات معروفة أو التنبؤ بنتائج محددة. وبدلًا من استكشاف الأنماط، ينصب التركيز على تعلّم العلاقات الدقيقة من البيانات الموسومة، ما يسهّل توجيه النموذج نحو النتيجة المطلوبة.

ومن مزاياه الرئيسية الأخرى إمكانية التحكم. فباستخدام التعلّم الخاضع للإشراف، يسهل قياس الأداء بمقاييس واضحة، وضبط النموذج بدقة، وضمان استقرار سلوكه أثناء النشر. وهذا يجعله مثاليًا للأنظمة التي تتطلب الاتساق والموثوقية بمرور الوقت.

لكن ذلك ينطوي على مفاضلة؛ إذ يعتمد النموذج اعتمادًا كبيرًا على جودة البيانات الموسومة وحجمها، وقد يستغرق جمع هذه البيانات ووسمها وقتًا طويلًا.

أمثلة واقعية على الرؤية الحاسوبية الخاضعة للإشراف#

تستخدم نماذج الذكاء الاصطناعي للرؤية، مثل نماذج Ultralytics YOLO، التعلّم الخاضع للإشراف لتنفيذ مهام مثل اكتشاف الأشياء بدقة عالية، ولا سيما في التطبيقات الآنية. وفيما يلي بعض حالات الاستخدام الشائعة للرؤية في العالم الواقعي التي يُحدث فيها التعلّم الخاضع للإشراف فرقًا:

• الرعاية الصحية والتصوير الطبي: يمكن للأطباء استخدام أنظمة الرؤية الحاسوبية المدرّبة على فحوصات موسومة، مثل الأشعة السينية أو التصوير بالرنين المغناطيسي، حيث تُستخدم المصنّفات لتحديد حالات مثل الأورام أو الكسور، مما يدعم التشخيص الأسرع والأدق.
• فحص الجودة الصناعية: في بيئات التصنيع، تستطيع أنظمة الرؤية المدرّبة على بيانات موسومة فحص المنتجات من خلال تحليل عدد من السمات المتعلقة بالجودة، مثل الشكل والعيوب السطحية والملمس والحجم. ومن خلال التعلّم من أمثلة المنتجات السليمة والمعيبة، تستطيع هذه الأنظمة تحديد العيوب باستمرار والحفاظ على معايير الإنتاج.
• القيادة الذاتية: تعتمد أنظمة القيادة الذاتية على نماذج مدرّبة على بيانات قيادة موسومة للتعرّف على المسارات والمركبات والمشاة وإشارات المرور، مما يساعد المركبات على التنقل بأمان في الوقت الفعلي.
• أنظمة البيع بالتجزئة والدفع: تستخدم المتاجر نماذج مدرّبة على صور منتجات موسومة للتعرّف على المنتجات على الرفوف أو عند صناديق الدفع، مما يتيح الفوترة الآلية وإدارة المخزون بكفاءة أكبر. ويمكن لهذه الأنظمة أيضًا دعم مهام مثل تقسيم العملاء إلى شرائح عند دمجها مع بيانات إضافية، ما يساعد الشركات على فهم أنماط التسوق بصورة أفضل.
• الزراعة ومراقبة المحاصيل: يمكن للمزارعين استخدام نماذج مدرّبة على صور موسومة لاكتشاف المحاصيل وتصنيفها، مثل تحديد البطاطس السليمة والتالفة وعدّها، مما يحسّن مراقبة الجودة ويقلل الخسائر.

الشكل 4. استخدام YOLO لاكتشاف البطاطس السليمة والمعيبة وعدّها

ما أنواع المشكلات في الرؤية الحاسوبية التي يمكن للتعلّم غير الخاضع للإشراف حلها؟#

يفيد التعلّم غير الخاضع للإشراف عندما لا تتوفر لديك بيانات موسومة كافية، أو عندما لا تأتي بياناتك بإجابات واضحة. وفي هذه الحالات، لا يتمثل الهدف في إجراء تنبؤات دقيقة، بل في فهم الأنماط والبنية في البيانات.

غالبًا ما يُستخدم هذا النهج عند استكشاف مجموعة بيانات غير موسومة للمرة الأولى. وبدلًا من إخبار النموذج بما ينبغي البحث عنه، تتيح له تحديد أوجه التشابه، أو تجميع الصور ذات الصلة، أو إبراز الأنماط غير المعتادة بنفسه.

في مجموعة كبيرة من الصور، يمكن لنهج غير خاضع للإشراف أن يساعد على تنظيم الصور المتشابهة معًا أو تمييز القيم المتطرفة التي قد تتطلب مزيدًا من الاهتمام. وهذا ما يجعله نقطة انطلاق مفيدة في مشروعات علوم البيانات.

تتعلّم النماذج التوليدية، بما فيها شبكات GAN والمشفّرات التلقائية التغايرية ونماذج الانتشار، التوزيع الأساسي للصور لإنشاء صور جديدة بالكامل. وتُشغّل هذه النماذج تطبيقات مثل توليد الصور وإكمال الأجزاء المفقودة ورفع الدقة ونقل الأسلوب، كما تشكل العمود الفقري لأنظمة الذكاء الاصطناعي التوليدي اليوم.

في التقسيم غير الخاضع للإشراف، تجمع بعض الأساليب وحدات البكسل أو المناطق في مقاطع متماسكة دون الاعتماد على أقنعة موسومة. ويفيد ذلك عندما تكون كلفة الوسم باهظة، أو عندما يكون الهدف اكتشاف البنية بدلًا من مطابقة فئات محددة مسبقًا.

يكون التعلّم غير الخاضع للإشراف مؤثرًا أيضًا عند التعامل مع مجموعات بيانات كبيرة يستغرق وسمها وقتًا طويلًا أو لا يكون عمليًا. ففي مثل هذه الحالات، يتيح لك استخلاص رؤى من البيانات دون الاعتماد على بيانات تدريب موسومة.

يُستخدم هذا النهج أيضًا على نطاق واسع في مجالات مثل الذكاء الاصطناعي التوليدي (نماذج تنشئ بيانات جديدة، مثل الصور أو النصوص أو الصوت) وتعلّم التمثيلات (نماذج تتعلّم سمات أو أنماطًا مفيدة من البيانات الخام)، حيث تتعلّم النماذج سمات عامة من كميات كبيرة من البيانات. وبوجه عام، إذا كانت مشكلتك تتعلق بالاستكشاف أو اكتشاف الأنماط أو التعامل مع بيانات غير موسومة، فالتعلّم غير الخاضع للإشراف نهج مرن وعملي يستحق النظر فيه.

أمثلة واقعية على التعلّم غير الخاضع للإشراف في الرؤية الحاسوبية#

فيما يلي بعض الأمثلة على حالات استخدام التعلّم غير الخاضع للإشراف في الرؤية الحاسوبية:

• اكتشاف الحالات الشاذة في التصنيع: يمكن للنماذج تعلّم شكل المنتجات الطبيعية ورصد العيوب أو المخالفات دون الحاجة إلى أمثلة موسومة لكل عيب محتمل.
• تنظيم الصور والبحث فيها: يمكن تجميع مجموعات الصور الكبيرة، مثل مكتبات الصور أو كتالوجات التجارة الإلكترونية، تلقائيًا بناءً على التشابه المرئي، مما يسهّل على علماء البيانات تنظيم مجموعات البيانات الكبيرة واستكشافها والبحث فيها.
• المراقبة والأمن: تستطيع الأنظمة تحليل لقطات الفيديو لتحديد الأنماط أو السلوكيات غير المعتادة، مثل الحركة المفاجئة أو التغيرات في الحشود، دون تدريب صريح على أحداث موسومة.
• المعالجة المسبقة واستكشاف البيانات: كثيرًا ما تُستخدم الأساليب غير الخاضعة للإشراف لاستكشاف بيانات الصور الخام وتنظيمها قبل تدريب النماذج الخاضعة للإشراف، مما يساعد على تحسين جودة البيانات وتقليل الجهد اليدوي.

القيود العملية للتعلّم الخاضع للإشراف وغير الخاضع للإشراف#

على الرغم من مزايا كلا أسلوبي التعلّم، ثمة قيود ينبغي أخذها في الحسبان. وفيما يلي بعض العوامل العملية التي يجب مراعاتها عند بناء نماذج الرؤية الحاسوبية:

• فرط التكيّف في النماذج الخاضعة للإشراف: قد يتعلّم النموذج في التعلّم الخاضع للإشراف بيانات التدريب بتفاصيلها بدلًا من تعلّم الأنماط العامة. ويحدث ذلك غالبًا عندما تكون مجموعة البيانات صغيرة أو غير متنوعة بما يكفي. فعلى سبيل المثال، قد يفشل نموذج دُرّب على اكتشاف عيوب نوع واحد من المنتجات عند اختباره على بيانات جديدة تتضمن منتجات أو ظروف إضاءة مختلفة قليلًا.
• تحديات خوارزميات التجميع: يمكن للنموذج في التعلّم غير الخاضع للإشراف تجميع نقاط البيانات المتشابهة. لكن ذلك قد يختل عندما تكون البيانات مشوشة أو غير متسقة أو تفتقر إلى بنية واضحة. فعلى سبيل المثال، في مهام تجميع الصور، قد تُجمع صور متشابهة الألوان لكنها تعرض أشياء مختلفة معًا على نحو خاطئ.
• أهمية المعالجة المسبقة المناسبة: يجب تنظيف البيانات وإعدادها قبل التدريب. ويُنجز ذلك عادةً باستخدام مكتبات Python التي تتعامل مع معالجة الصور وتحويل البيانات. وتكتسب هذه الخطوة أهمية خاصة في الرؤية الحاسوبية، حيث قد تختلف الصور في الحجم أو الجودة أو الإضاءة. ومن دون معالجة مسبقة مناسبة، قد تتعلّم النماذج من الضوضاء بدلًا من الأنماط ذات المعنى، ما يؤدي إلى أداء ضعيف.

أبرز النقاط#

يؤدي كل من التعلّم الخاضع للإشراف وغير الخاضع للإشراف دورًا مهمًا في الرؤية الحاسوبية. ويتوقف اختيار النهج المناسب على نوع البيانات المتاحة، سواء أكانت موسومة أم غير موسومة، فضلًا عن المشكلة التي تحاول حلها ومتطلبات النشر.

إذا كان هدفك تحقيق دقة عالية ومُخرجات محددة بوضوح، فغالبًا ما يكون التعلّم الآلي الخاضع للإشراف الخيار الأفضل. أما إذا كنت تستكشف البيانات أو تعمل دون تسميات، فقد يكون التعلّم غير الخاضع للإشراف أنسب.

هل ترغب في معرفة المزيد عن الذكاء الاصطناعي؟ اطّلع على مجتمعنا ومستودعنا على GitHub. استكشف صفحات حلولنا للتعرّف على الذكاء الاصطناعي في الروبوتات والرؤية الحاسوبية في الزراعة. تعرّف على خيارات الترخيص لدينا وابدأ اليوم في البناء باستخدام الرؤية الحاسوبية!