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

يستند الذكاء الاصطناعي (AI) إلى مفهوم أساسي يتمثل في تعليم الآلات التعلّم والاستدلال بطرق تشبه الذكاء البشري. وكما يتعلّم الناس من خلال أساليب مختلفة، مثل التعليم المباشر أو ملاحظة الأنماط والخبرات، صُممت أنظمة الذكاء الاصطناعي وتعلّم الآلة لاتباع هذه الأساليب نفسها.

وبشكل خاص، عندما يتعلق الأمر بخوارزميات تعلّم الآلة، تُدرَّب الأنظمة على التعلّم من البيانات بدلاً من برمجتها صراحةً لتنفيذ كل مهمة. وبدلاً من الاعتماد على قواعد ثابتة، تحدد نماذج تعلّم الآلة الأنماط الموجودة في البيانات وتستخدمها لإجراء التنبؤات أو اتخاذ القرارات.

على سبيل المثال، تُعد الرؤية الحاسوبية فرعاً من الذكاء الاصطناعي وتعلّم الآلة يركز على تمكين الأنظمة من تفسير المعلومات المرئية وفهمها، مثل الصور ومقاطع الفيديو. فمن التعرّف على الكائنات إلى تحديد الأنماط الخفية ضمن مجموعات البيانات الكبيرة، تعتمد هذه الأنظمة بدرجة كبيرة على طريقة تدريبها على التعلّم.

تُستخدم تقنيات تعلّم الذكاء الاصطناعي المختلفة لتدريب هذه الأنظمة، وذلك بحسب نوع البيانات المتاحة والمشكلة قيد الحل.

تتعلّم بعض نماذج الرؤية الحاسوبية من البيانات الموسومة، حيث يقترن كل إدخال بإجابة صحيحة؛ أي إن كل صورة أو نقطة بيانات تأتي مع وسم محدد مسبقاً يوضح للنموذج ما تمثّله. ويتيح ذلك للنموذج تعلّم العلاقة بين الإدخال والمخرج المتوقع، مما يحسّن قدرته على إجراء تنبؤات دقيقة بشأن بيانات جديدة لم يرها من قبل.

تتعلّم نماذج رؤية أخرى من بيانات غير موسومة، حيث لا تُقدَّم إجابات محددة مسبقاً، وتركز بدلاً من ذلك على تحديد الأنماط والعلاقات داخل البيانات نفسها. وتُعرف هذه الأساليب على التوالي باسم التعلّم الخاضع للإشراف والتعلّم غير الخاضع للإشراف، وتشكل أساس العديد من أنظمة الرؤية الحاسوبية المتقدمة.

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

كيف تعزز أساليب تعلّم الذكاء الاصطناعي الرؤية الحاسوبية#

يمكنك التفكير في الذكاء الاصطناعي بوصفه مظلة تغطي مجموعة من التقنيات التي تمكّن الآلات من تنفيذ مهام تتطلب عادةً ذكاءً بشرياً. وضمن هذه المظلة، يُعد تعلّم الآلة مجالاً رئيسياً يتيح للأنظمة التعلّم من البيانات بدلاً من الاعتماد فقط على القواعد الثابتة.

ضمن تعلّم الآلة، تحدد تقنيات التعلّم المختلفة كيفية تعلّم النموذج وتحسّنه بمرور الوقت. وتحدد أساليب مثل التعلّم الخاضع للإشراف (التعلّم من بيانات موسومة ذات إجابات صحيحة)، والتعلّم غير الخاضع للإشراف (تحديد الأنماط في البيانات غير الموسومة)، وتعلّم التعزيز (التعلّم من خلال التجربة والخطأ باستخدام الملاحظات أو المكافآت)، والتعلّم شبه الخاضع للإشراف (دمج كمية صغيرة من البيانات الموسومة مع كمية كبيرة من البيانات غير الموسومة) كيفية معالجة الأنظمة لبيانات الإدخال وإنشاء بيانات الإخراج.

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

وبشكل خاص، تُبنى أنظمة الرؤية الحاسوبية باستخدام أساليب التعلّم هذه لتفسير البيانات المرئية وفهمها. ويُعد التعلّم الخاضع للإشراف الأسلوب الأكثر استخداماً، لأنه يتيح للنماذج التعلّم من أمثلة موسومة بوضوح وإنتاج نتائج دقيقة وموثوقة.

على سبيل المثال، يمكن تدريب نموذج على صور موسومة بكلمتي «قطة» و«كلب»، ليتعلم خصائص مثل الشكل والأذنين وبنية الوجه، ومن ثم يتمكن من تصنيف الصور الجديدة بشكل صحيح باستخدام خوارزميات التصنيف. وفي الوقت نفسه، يُستخدم التعلّم غير الخاضع للإشراف والتعلّم شبه الخاضع للإشراف أيضاً في الرؤية الحاسوبية، غالباً لاستكشاف الأنماط في البيانات أو تحسين الأداء عندما تكون البيانات الموسومة محدودة.

نظرة على استخدام نماذج التعلّم الخاضع للإشراف في الرؤية الحاسوبية#

يمكنك مقارنة خوارزميات التعلّم الخاضع للإشراف ببيئة الفصل الدراسي، حيث يقدم المعلم أمثلة إلى جانب الإجابات الصحيحة حتى يتعلم الطلاب ما هو صواب وما هو خطأ. وفي تعلّم الآلة، تتعلم النماذج بطريقة مشابهة باستخدام بيانات موسومة، حيث يقترن كل إدخال بمخرج معروف.

لنفترض أنك تعمل على بناء نظام رؤية حاسوبية لأتمتة تحليل مباريات البيسبول. يمكنك تدريب نموذج مثل Ultralytics YOLO26 على صور أو إطارات فيديو تكون فيها الكائنات مثل الكرة والمضرب واللاعبين موسومة.

سيُحدد موقع كل كائن وفئته، مما يمكّن النموذج من تعلّم ما ينبغي البحث عنه. وبمرور الوقت، يستطيع النموذج اكتشاف هذه الكائنات وتحديد مواقعها في لقطات جديدة، دعماً لحالات استخدام مثل تتبع الكرة واكتشاف اللاعبين عبر الإطارات.

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

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

تُبنى هذه النماذج عادةً باستخدام التعلّم العميق، وهو نوع من تعلّم الآلة يستخدم الشبكات العصبية لتعلّم الأنماط مباشرةً من البيانات. صُممت الشبكات العصبية لمعالجة المعلومات بطريقة مستوحاة بصورة عامة من آلية عمل الدماغ البشري، مما يتيح للنماذج تعلّم خصائص مرئية معقدة من مجموعات البيانات الكبيرة.

غالباً ما اعتمدت أساليب الرؤية الحاسوبية الأقدم على خصائص مصممة يدوياً، إلى جانب خوارزميات مثل آلات المتجهات الداعمة (SVMs، وهي نماذج تصنّف البيانات من خلال إيجاد أفضل حد فاصل بين الفئات) أو أشجار القرار (وهي نماذج تتخذ القرارات عبر تقسيم البيانات إلى فروع).

وعلى النقيض من ذلك، تستخدم نماذج الرؤية الحاسوبية اليوم التعلّم العميق لتعلّم هذه الخصائص تلقائياً من البيانات، مما يجعلها أكثر فعالية في التعامل مع المهام المرئية واسعة النطاق وعالية التفاصيل.

فهم الحاجة إلى نماذج التعلّم غير الخاضع للإشراف في ذكاء اصطناعي الرؤية#

رغم أن التعلّم الخاضع للإشراف هو النهج المفضل في الرؤية الحاسوبية، توجد بعض تطبيقات الرؤية التي لا تتوفر لها بيانات موسومة، أو تكون عملية إنشائها مكلفة للغاية وتستغرق وقتاً طويلاً.

في هذه الحالات، يمكن أن تكون خوارزميات التعلّم غير الخاضع للإشراف بديلاً مفيداً. لنفترض أن لديك مجموعة كبيرة من الصور غير الموسومة الملتقطة بواسطة كاميرا لمراقبة الحياة البرية.

لا توجد أوسمة توضح محتوى 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 المتشابهة في عناقيد، حتى من دون معرفة أوسمتها الدقيقة.

كيفية عمل التعلّم غير الخاضع للإشراف في الرؤية الحاسوبية#

إذن، كيف يعمل تعلّم الآلة غير الخاضع للإشراف؟ بدلاً من التعلّم من الإجابات الصحيحة، يتعلم النموذج من خلال تحديد الأنماط والبنية داخل البيانات بنفسه. فهو يبحث عن أوجه التشابه والاختلاف عبر البيانات من دون الاعتماد على أمثلة موسومة.

من حالات الاستخدام الشائعة اكتشاف الحالات الشاذة، حيث يتعلم النموذج شكل البيانات الطبيعية ثم يحدد أي شيء ينحرف عنها. ويُعد اكتشاف الحالات الشاذة والقيم المتطرفة من أكثر التطبيقات الصناعية تأثيراً. وتشمل الأمثلة اكتشاف العناصر المعيبة على خط التصنيع، ووضع علامات على الفحوصات الطبية غير المعتادة لمراجعتها من قِبل اختصاصي الأشعة، أو اكتشاف النشاط المشبوه في لقطات المراقبة. ونظراً إلى أن العيوب والحالات الشاذة غالباً ما تكون نادرة ومتنوعة، فإن وسم كل حالة محتملة غير عملي، مما يجعل الأساليب غير الخاضعة للإشراف مناسبة بطبيعتها.

ولدعم ذلك، تُستخدم تقنيات مثل التجميع وتقليل الأبعاد غالباً على الخصائص المستخرجة من الصور بدلاً من الصور الخام نفسها. تجمع أساليب التجميع، مثل تجميع k-means، الصور المتشابهة معاً استناداً إلى الأنماط المشتركة، بينما تبسّط تقنيات تقليل الأبعاد، مثل تحليل المكونات الرئيسية (PCA)، البيانات من خلال التركيز على أهم الخصائص.

يسهّل ذلك على النموذج تحديد الأنماط والبنية ذات المعنى داخل مجموعات البيانات الكبيرة والمعقدة. وتتمثل الميزة الرئيسية للتعلّم غير الخاضع للإشراف في أنه يعمل جيداً مع البيانات غير الموسومة، ويمكنه كشف أنماط قد لا تكون واضحة فوراً. إلا أن تقييمه أصعب، كما يوفر تحكماً أقل في المخرجات النهائية مقارنةً بالتعلّم الخاضع للإشراف.

التعلّم الذاتي الإشراف وشبه الخاضع للإشراف في الرؤية الحاسوبية#

أثناء استكشافك للتعلّم الخاضع للإشراف والتعلّم غير الخاضع للإشراف، قد تتساءل عما إذا كانت هناك منطقة وسطى بينهما. ومن المثير للاهتمام أن التعلّم الذاتي الإشراف والتعلّم شبه الخاضع للإشراف يسدان الفجوة بين التعلّم الخاضع للإشراف والتعلّم غير الخاضع للإشراف.

تتيح هذه الأساليب للنماذج التعلّم من البيانات غير الموسومة بفعالية أكبر. وبدلاً من الاعتماد على الأمثلة الموسومة فقط، فإنها إما تنشئ مهام التعلّم الخاصة بها من البيانات، أو تدمج مجموعة بيانات صغيرة موسومة مع مجموعة أكبر غير موسومة.

في التعلّم الذاتي الإشراف، يتعلم النموذج من خلال حل مهام أُنشئت من البيانات نفسها. فعلى سبيل المثال، قد تُقدَّم إليه صورة تحتوي على جزء مفقود، فيتعلم التنبؤ بما ينبغي أن يملأ ذلك الفراغ، أو قد يتعلم التعرّف على المناظر المختلفة للكائن نفسه. ويساعد ذلك النموذج على تعلّم خصائص مفيدة من دون الحاجة إلى أوسمة 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، يمكن للنموذج إنشاء أوسمة للبيانات غير الموسومة واستخدامها لمواصلة التعلّم.

تتمثل الفائدة الرئيسية لهذه الأساليب في أنها تقلل الحاجة إلى مجموعات البيانات الكبيرة الموسومة، التي غالباً ما يكون إنشاؤها مكلفاً ويستغرق وقتاً طويلاً. إلا أنها قد تكون أكثر تعقيداً من حيث التصميم والتقييم مقارنةً بالأساليب الخاضعة للإشراف بالكامل.

الفروقات الرئيسية بين التعلّم الخاضع للإشراف والتعلّم غير الخاضع للإشراف#

يتمحور الفرق بين التعلّم الخاضع للإشراف والتعلّم غير الخاضع للإشراف حول كيفية تعلّم النموذج وما يحاول تحقيقه. فبينما يعتمد التعلّم الخاضع للإشراف على البيانات الموسومة والتوجيه الواضح لتعلّم مهام محددة، يعمل التعلّم غير الخاضع للإشراف من دون إجابات محددة مسبقاً ويركز على اكتشاف الأنماط والبنية داخل البيانات.

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

متى يُستخدم التعلّم الخاضع للإشراف في الرؤية الحاسوبية؟#

يُعد التعلّم الخاضع للإشراف خياراً ممتازاً لمهام الرؤية الحاسوبية التي يكون هدفها محدداً بوضوح، ويحتاج فيها النموذج إلى ربط بيانات الإدخال بمخرجات دقيقة. وهو يعمل بكفاءة خاصة عندما تمتلك مجموعة بيانات موسومة موثوقة وتحتاج إلى نتائج متسقة وقابلة للتنبؤ.

الشكل 3. مهام الرؤية الحاسوبية التي يقودها التعلّم الخاضع للإشراف (المصدر)

يُستخدم عادةً في المشكلات التي يجب على النموذج فيها التمييز بين فئات معروفة أو التنبؤ بنتائج محددة. وبدلاً من استكشاف الأنماط، ينصب التركيز على تعلّم العلاقات الدقيقة من البيانات الموسومة، مما يسهّل توجيه النموذج نحو نتيجة مرغوبة.

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

إلا أن ذلك ينطوي على مفاضلة. إذ يعتمد النموذج بدرجة كبيرة على جودة البيانات الموسومة وحجمها، كما يمكن أن يستغرق جمع هذه البيانات ووسمها وقتاً طويلاً.

أمثلة واقعية على الرؤية الحاسوبية الخاضعة للإشراف#

تستخدم نماذج ذكاء اصطناعي للرؤية مثل نماذج Ultralytics YOLO التعلّم الخاضع للإشراف لتنفيذ مهام مثل اكتشاف الكائنات بدقة عالية، ولا سيما في التطبيقات الآنية. فيما يلي بعض حالات الاستخدام الواقعية الشائعة للرؤية التي يُحدث فيها التعلّم الخاضع للإشراف فرقاً:

• الرعاية الصحية والتصوير الطبي: يمكن للأطباء استخدام أنظمة رؤية حاسوبية مدرَّبة على فحوصات موسومة، مثل الأشعة السينية أو التصوير بالرنين المغناطيسي، حيث تُستخدم المصنّفات لتحديد حالات مثل الأورام أو الكسور، مما يدعم تشخيصاً أسرع وأكثر دقة.
• فحص الجودة الصناعي: في بيئات التصنيع، يمكن لأنظمة الرؤية المدرَّبة على بيانات موسومة فحص المنتجات من خلال تحليل عدد من الخصائص المرتبطة بالجودة، مثل الشكل وعيوب السطح والملمس والحجم. ومن خلال التعلّم من أمثلة المنتجات المقبولة والمعيبة على حد سواء، تستطيع هذه الأنظمة تحديد العيوب باستمرار والحفاظ على معايير الإنتاج.
• القيادة الذاتية: تعتمد أنظمة القيادة الذاتية على نماذج مدرَّبة 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 مدرَّبة على صور منتجات موسومة لتحديد العناصر على الرفوف أو عند الدفع، مما يتيح الفوترة الآلية وإدارة المخزون بكفاءة أكبر. كما يمكن لهذه الأنظمة دعم مهام مثل تقسيم العملاء عند دمجها مع بيانات إضافية، مما يساعد الشركات على فهم أنماط التسوق بصورة أفضل.
• الزراعة ومراقبة المحاصيل: يمكن للمزارعين استخدام نماذج مدرَّبة 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؟#

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

ويُستخدم غالباً عند استكشاف مجموعة بيانات غير موسومة للمرة الأولى. فبدلاً من إخبار النموذج بما ينبغي البحث عنه، تسمح له بتحديد أوجه التشابه، وتجميع الصور ذات الصلة، أو إبراز الأنماط غير المعتادة بنفسه.

في مجموعة كبيرة من الصور، يمكن لنهج غير خاضع للإشراف أن يساعد في تنظيم الصور المتشابهة معاً أو وضع علامات على القيم المتطرفة التي قد تتطلب مزيداً من الاهتمام. وهذا يجعله نقطة بداية مفيدة في مشروعات علم البيانات.

تتعلم النماذج التوليدية، بما في ذلك GANs والمُرمِّزات التلقائية التغايرية ونماذج الانتشار، التوزيع الأساسي للصور لإنشاء صور جديدة تماماً. وتدعم هذه النماذج تطبيقات مثل توليد الصور، والإكمال الداخلي، والدقة الفائقة، 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 من دون الاعتماد على أقنعة موسومة، وهو أمر مفيد عندما تكون عملية الوسم مكلفة للغاية أو عندما يكون الهدف اكتشاف البنية بدلاً من مطابقة فئات محددة مسبقاً.

يكون التعلّم غير الخاضع للإشراف مؤثراً أيضاً عند العمل مع مجموعات بيانات كبيرة تكون عملية وسمها مستهلكة للوقت أو غير عملية. وفي مثل هذه الحالات، يتيح لك استخلاص رؤى من البيانات من دون الاعتماد على بيانات تدريب موسومة.

ويُستخدم أيضاً على نحو شائع في مجالات مثل الذكاء الاصطناعي التوليدي (نماذج تنشئ بيانات جديدة مثل الصور أو النصوص أو الصوت) وتعلّم التمثيلات (نماذج تتعلم خصائص أو أنماطاً مفيدة من البيانات الخام)، حيث تتعلم النماذج خصائص عامة من كميات كبيرة من البيانات. وبوجه عام، إذا كانت مشكلتك تتضمن الاستكشاف أو اكتشاف الأنماط أو العمل مع بيانات غير موسومة، فإن التعلّم 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 الاستخدام التي يُطبَّق فيها التعلّم غير الخاضع للإشراف في الرؤية الحاسوبية:

• اكتشاف الحالات الشاذة في التصنيع: يمكن للنماذج أن تتعلم شكل المنتجات الطبيعية وأن تضع علامات على العيوب أو المخالفات من دون الحاجة إلى أمثلة موسومة لكل عيب محتمل.
• تنظيم الصور والبحث فيها: يمكن تجميع مجموعات الصور الكبيرة، مثل مكتبات الصور أو فهارس التجارة الإلكترونية، تلقائياً استناداً إلى التشابه المرئي، مما يسهّل على علماء البيانات تنظيم مجموعات البيانات الكبيرة واستكشافها والبحث فيها.
• المراقبة والأمن: يمكن للأنظمة تحليل لقطات الفيديو لتحديد الأنماط أو السلوكيات غير المعتادة، مثل الحركة غير المتوقعة أو تغيرات الحشود، من دون تدريبها صراحةً على أحداث موسومة.
• المعالجة المسبقة واستكشاف البيانات: غالباً ما تُستخدم الأساليب غير الخاضعة للإشراف لاستكشاف بيانات الصور الخام وهيكلتها قبل تدريب النماذج الخاضعة للإشراف، مما يساعد على تحسين جودة البيانات وتقليل الجهد اليدوي.

القيود العملية للتعلّم الخاضع للإشراف والتعلّم غير الخاضع للإشراف#

على الرغم من مزايا نهجي التعلّم كليهما، توجد بعض القيود التي ينبغي أخذها في الاعتبار. فيما يلي بعض العوامل العملية التي يجب مراعاتها عند بناء نماذج الرؤية الحاسوبية:

• فرط التكيّف في النماذج الخاضعة للإشراف: في التعلّم الخاضع للإشراف، قد يتعلم النموذج بيانات التدريب بصورة مفرطة بدلاً من تعلّم الأنماط العامة. ويحدث ذلك غالباً عندما تكون مجموعة البيانات صغيرة أو غير متنوعة بما يكفي. فعلى سبيل المثال، قد يفشل نموذج مدرَّب لاكتشاف العيوب في نوع واحد من المنتجات عند اختباره على بيانات جديدة تتكون من منتجات أو ظروف إضاءة مختلفة قليلاً.
• تحديات خوارزميات التجميع: في التعلّم غير الخاضع للإشراف، يمكن للنموذج تجميع نقاط البيانات المتشابهة معاً. إلا أن ذلك قد يفشل عندما تكون البيانات مشوشة أو غير متسقة أو تفتقر إلى بنية واضحة. فعلى سبيل المثال، في مهام تجميع الصور، قد تُجمع الصور ذات الألوان المتشابهة لكن الكائنات المختلفة معاً بطريقة غير صحيحة.
• أهمية المعالجة المسبقة المناسبة: قبل التدريب، يجب تنظيف البيانات وإعدادها. ويُنفَّذ ذلك عادةً باستخدام مكتبات Python التي تتولى معالجة الصور وتحويل البيانات. ويكتسب هذا أهمية خاصة في الرؤية الحاسوبية، حيث قد تختلف الصور في الحجم أو الجودة أو الإضاءة. ومن دون معالجة مسبقة مناسبة، قد تتعلم النماذج من الضوضاء بدلاً من الأنماط ذات المعنى، مما يؤدي إلى ضعف الأداء.

أهم النقاط المستخلصة#

في الرؤية الحاسوبية، يؤدي كل من التعلّم الخاضع للإشراف والتعلّم غير الخاضع للإشراف أدواراً مهمة. ويعتمد النهج المناسب على نوع البيانات التي لديك، وما إذا كانت موسومة أو غير موسومة، فضلاً عن المشكلة التي تحاول حلها ومتطلبات النشر لديك.

إذا كان هدفك تحقيق دقة عالية ومخرجات محددة بوضوح، فغالباً ما يكون تعلّم الآلة الخاضع للإشراف هو الخيار الأفضل. أما إذا كنت تستكشف البيانات أو تعمل من دون أوسمة، فقد يكون التعلّم غير الخاضع للإشراف أكثر ملاءمة.

هل تريد معرفة المزيد عن الذكاء الاصطناعي؟ تفقّد مجتمعنا ومستودع GitHub الخاص بنا. واستكشف صفحات حلولنا للتعرّف على الذكاء الاصطناعي في الروبوتات والرؤية الحاسوبية في الزراعة. واكتشف خيارات الترخيص لدينا وابدأ اليوم في البناء باستخدام الرؤية الحاسوبية!