استكشاف أفضل مجموعات بيانات الرؤية الحاسوبية في عام 2025

هل تعلم أن البيانات تؤدي دورًا في كل ما تفعله تقريبًا يوميًا؟ فمشاهدة فيديو أو التقاط صورة أو استخدام خرائط Google يسهم في التدفق المستمر للمعلومات التي تجمعها أكثر من 75 مليار جهاز متصل. وتشكل هذه البيانات أساس الذكاء الاصطناعي (AI). وفي الواقع، تعتمد نماذج الرؤية الحاسوبية المتقدمة مثل Ultralytics YOLO11 على البيانات المرئية لتحديد الأنماط وتفسير الصور وفهم العالم من حولنا.

ومن المثير للاهتمام أن قيمة البيانات لا تتعلق بالكمية فحسب، بل الأهم هو مدى جودة تنظيمها وإعدادها. فإذا كانت مجموعة البيانات فوضوية أو غير مكتملة، فقد يؤدي ذلك إلى أخطاء. أما مجموعات البيانات النظيفة والمتنوعة، فتساعد نماذج الرؤية الحاسوبية على تحقيق أداء أفضل، سواء أكان ذلك في التعرّف على الأجسام وسط الحشود أم في تحليل المشاهد المعقدة. وتُحدث مجموعات البيانات عالية الجودة فرقًا كبيرًا.

سنستعرض في هذه المقالة أفضل مجموعات بيانات الرؤية الحاسوبية لعام 2025، ونرى كيف تسهم في بناء نماذج رؤية حاسوبية أدق وأكثر كفاءة.

ما مجموعات بيانات الرؤية الحاسوبية؟#

مجموعة بيانات الرؤية الحاسوبية هي مجموعة من الصور أو مقاطع الفيديو التي تساعد أنظمة الرؤية الحاسوبية على تعلّم فهم المعلومات المرئية والتعرف عليها. وتتضمن مجموعات البيانات هذه تسميات أو تعليقات توضيحية تساعد النماذج على التعرف على الأجسام والأشخاص والمشاهد والأنماط ضمن البيانات.

يمكن استخدامها لتدريب نماذج الرؤية الحاسوبية، ومساعدتها على تحسين مهام مثل تحديد الوجوه واكتشاف الأجسام وتحليل المشاهد. وكلما كانت مجموعة البيانات أفضل تنظيمًا وأكثر تنوعًا ودقة، تحسن أداء نموذج الذكاء الاصطناعي للرؤية، ما يؤدي إلى تقنيات أذكى وأكثر فائدة في الحياة اليومية.

كيفية إنشاء مجموعة بيانات للرؤية الحاسوبية#

يشبه بناء مجموعة بيانات للرؤية الحاسوبية إعداد ملاحظات دراسية لتعليم شخص كيفية رؤية العالم وفهمه. وتبدأ العملية بجمع الصور ومقاطع الفيديو التي تتوافق مع التطبيق المحدد الذي تطوره.

تضم مجموعة البيانات المثالية أمثلة متنوعة للأجسام محل الاهتمام، التُقطت من زوايا مختلفة، وفي ظروف إضاءة متنوعة، وعبر خلفيات وبيئات متعددة. ويضمن هذا التنوع أن نموذج الرؤية الحاسوبية يتعلم التعرّف على الأنماط بدقة ويعمل بموثوقية في سيناريوهات العالم الحقيقي.

الشكل 1. إنشاء مجموعة بيانات مثالية للرؤية الحاسوبية. الصورة من إعداد المؤلف.

بعد جمع الصور ومقاطع الفيديو ذات الصلة، تتمثل الخطوة التالية في وسم البيانات. وتشمل هذه العملية إضافة وسوم أو تعليقات توضيحية أو أوصاف إلى البيانات حتى يتمكن الذكاء الاصطناعي من فهم محتوى كل صورة أو مقطع فيديو.

يمكن أن تتضمن التسميات أسماء الأجسام ومواقعها وحدودها أو تفاصيل أخرى ذات صلة تساعد على تدريب النموذج على التعرف على المعلومات المرئية وتفسيرها بدقة. ويحوّل وسم البيانات مجموعة بسيطة من الصور إلى مجموعة بيانات منظمة يمكن استخدامها لـتدريب نموذج للرؤية الحاسوبية.

يتطلب تدريب النماذج بيانات عالية الجودة#

قد تتساءل عمّا يجعل مجموعة البيانات عالية الجودة. هناك عوامل كثيرة، مثل دقة الوسم والتنوع والاتساق. على سبيل المثال، إذا كان عدة معلّقين يوسمون مجموعة بيانات لـاكتشاف الأجسام بهدف تحديد آذان القطط، فقد يصنفها أحدهم جزءًا من الرأس، بينما يصنفها آخر آذانًا منفصلة. وقد يربك هذا التناقض النموذج ويؤثر في قدرته على التعلّم بصورة صحيحة.

إليك لمحة سريعة عن خصائص مجموعة بيانات مثالية للرؤية الحاسوبية:

• تسميات واضحة: تُرفق بكل صورة تعليقات توضيحية دقيقة وتسميات متسقة ومحددة.
• بيانات متنوعة: تضم مجموعة البيانات أجسامًا وخلفيات وظروف إضاءة وزوايا مختلفة، لمساعدة النموذج على العمل جيدًا في مواقف متنوعة.
• صور عالية الدقة: تسهّل الصور الواضحة والمفصلة على النموذج تعلّم السمات والتعرف عليها.

تدعم Ultralytics مجموعات بيانات متنوعة#

صُممت نماذج Ultralytics YOLO، مثل YOLO11، للعمل مع مجموعات البيانات بتنسيق ملفات YOLO محدد. ومن السهل تحويل بياناتك إلى هذا التنسيق، كما نوفر خيارًا أبسط لمن يرغبون في بدء التجربة فورًا.

تدعم حزمة Ultralytics لـPython نطاقًا واسعًا من مجموعات بيانات الرؤية الحاسوبية، ما يتيح لك بدء مشروعات باستخدام مهام مثل اكتشاف الأجسام أو تجزئة المثيلات أو تقدير الوضعيات من دون أي إعداد إضافي.

يمكن للمستخدمين الوصول بسهولة إلى مجموعات بيانات جاهزة للاستخدام، مثل COCO وDOTA (v1.0 وv1.5) وOpen Images V7 وImageNet، وذلك بتحديد اسم مجموعة البيانات كإحدى المعلمات في دالة التدريب. عندئذٍ، تُنزّل مجموعة البيانات تلقائيًا وتُهيأ مسبقًا، لتتمكن من التركيز على بناء نماذجك وتحسينها.

أفضل 5 مجموعات بيانات للرؤية الحاسوبية في عام 2025#

تعتمد التطورات في الذكاء الاصطناعي للرؤية على مجموعات بيانات متنوعة وواسعة النطاق، تدفع عجلة الابتكار وتتيح تحقيق إنجازات رائدة. لنلقِ نظرة على بعض أهم مجموعات البيانات التي تدعمها Ultralytics، والتي تؤثر في نماذج الرؤية الحاسوبية.

مجموعة بيانات ImageNet#

أُنشئت ImageNet على يد Fei-Fei Li وفريقها في جامعة برينستون عام 2007، وقُدّمت عام 2009، وهي مجموعة بيانات كبيرة تضم أكثر من 14 مليون صورة موسومة. تُستخدم على نطاق واسع لتدريب الأنظمة على التعرّف إلى مختلف الأجسام وتصنيفها. ويجعلها تصميمها المنظم مفيدة بوجه خاص لتعليم النماذج تصنيف الصور بدقة. ورغم توثيقها الجيد، فإن تركيزها ينصب أساسًا على تصنيف الصور، كما أنها تفتقر إلى التعليقات التوضيحية التفصيلية اللازمة لمهام مثل اكتشاف الأجسام.

إليك لمحة عن أبرز نقاط قوة ImageNet:

• التنوع: تضم ImageNet صورًا تغطي أكثر من 20,000 فئة، ما يجعلها مجموعة بيانات واسعة ومتنوعة تعزز تدريب النماذج وقدرتها على التعميم.
• التنظيم المنهجي: صُنفت الصور بعناية باستخدام التسلسل الهرمي لـ WordNet، ما يسهّل استرجاع البيانات بكفاءة وتدريب النماذج بطريقة منهجية.
• وثائق شاملة: تتيح الأبحاث المستفيضة وسنوات الدراسة استخدام ImageNet للمبتدئين والخبراء على حد سواء، كما توفر رؤى وإرشادات قيّمة لمشروعات الرؤية الحاسوبية.

لكنها، شأنها شأن أي مجموعة بيانات، تنطوي على بعض القيود. إليك بعض التحديات التي ينبغي مراعاتها:

• المتطلبات الحاسوبية: قد يشكل حجمها الهائل تحديًا للفرق الصغيرة ذات الموارد الحاسوبية المحدودة.
• غياب البيانات الزمنية: نظرًا إلى أنها لا تضم سوى صور ثابتة، فقد لا تلبي احتياجات التطبيقات التي تتطلب فيديو أو بيانات مرتبطة بالزمن.
• الصور القديمة: بعض صور مجموعة البيانات قديمة، وقد لا تعكس الأجسام أو الأنماط أو البيئات الحالية، ما قد يقلل من ملاءمتها للتطبيقات الحديثة.

مجموعة بيانات DOTA-v2.0#

تُعد مجموعة بيانات DOTA-v2.0، حيث يشير DOTA إلى مجموعة بيانات لاكتشاف الأجسام في الصور الجوية، مجموعة واسعة من الصور الجوية أُنشئت خصيصًا لمهمة اكتشاف الأجسام باستخدام مربعات إحاطة موجّهة (OBB). في اكتشاف OBB، تُستخدم مربعات إحاطة مدوّرة لتتوافق بدقة أكبر مع الاتجاه الفعلي للأجسام في الصورة. وتناسب هذه الطريقة الصور الجوية بوجه خاص، إذ تظهر الأجسام فيها غالبًا بزوايا مختلفة، ما يتيح تحديد مواقعها بدقة أكبر وتحسين عملية اكتشافها عمومًا.

تضم مجموعة البيانات هذه أكثر من 11,000 صورة وما يزيد على 1.7 مليون مربع إحاطة موجّه عبر 18 فئة من الأجسام. وتتراوح أبعاد الصور بين 800×800 و20,000×20,000 بكسل، وتشمل أجسامًا مثل الطائرات والسفن والمباني.

الشكل 2. أمثلة على الصور والتعليقات التوضيحية من مجموعة بيانات DOTA-v2.0. الصورة من إعداد المؤلف.

بفضل تعليقاتها التوضيحية المفصلة، أصبحت DOTA-v2.0 خيارًا شائعًا لمشاريع الاستشعار عن بُعد والمراقبة الجوية. إليك بعض الميزات الرئيسية في DOTA-v2.0:

• تنوع فئات الأجسام: تغطي المجموعة أنواعًا عديدة ومختلفة من الأجسام، مثل المركبات والموانئ وخزانات التخزين، ما يتيح للنماذج التعرّف إلى أجسام متنوعة من العالم الحقيقي.
• تعليقات توضيحية عالية الجودة: قدّم خبراء التعليقات التوضيحية مربعات إحاطة موجّهة بدقة، تُظهر أشكال الأجسام واتجاهاتها بوضوح.
• صور متعددة المقاييس: تضم مجموعة البيانات صورًا بأحجام مختلفة، ما يساعد النماذج على تعلم اكتشاف الأجسام سواء كانت صغيرة أو كبيرة.

على الرغم من نقاط القوة العديدة في DOTA-v2، إليك بعض القيود التي ينبغي للمستخدمين وضعها في الحسبان:

• خطوات تنزيل إضافية: بسبب طريقة صيانة مجموعة بيانات DOTA، تتطلب DOTA-v2.0 خطوة إعداد إضافية. يجب أولًا تنزيل صور DOTA-v1.0، ثم إضافة الصور الإضافية والتعليقات التوضيحية المحدّثة الخاصة بـ DOTA-v2.0 لإكمال مجموعة البيانات.
• تعليقات توضيحية معقدة: قد يتطلب التعامل مع مربعات الإحاطة الموجّهة جهدًا إضافيًا أثناء تدريب النماذج.
• نطاق محدود: صُممت DOTA-v2 للصور الجوية، ما يقلل من فائدتها لمهام اكتشاف الأجسام العامة خارج هذا المجال.

مجموعة بيانات Roboflow 100#

أنشأت Roboflow مجموعة بيانات Roboflow 100 (RF100) بدعم من Intel. ويمكن استخدامها لاختبار أداء نماذج اكتشاف الأجسام وقياسه. وتتضمن مجموعة البيانات المعيارية هذه 100 مجموعة بيانات مختلفة اختيرت من بين أكثر من 90,000 مجموعة بيانات عامة. وتضم أكثر من 224,000 صورة و800 فئة من الأجسام في مجالات مثل الرعاية الصحية والصور الجوية والألعاب.

إليك بعض المزايا الرئيسية لاستخدام RF100:

• تغطية واسعة للمجالات: تضم مجموعات بيانات من سبعة مجالات، مثل التصوير الطبي والصور الجوية والاستكشاف تحت الماء.
• تشجع على تحسين النماذج: يكشف التنوع والتحديات الخاصة بكل مجال في RF100 عن مواطن القصور في النماذج الحالية، ويوجه الأبحاث نحو حلول أكثر قابلية للتكيف ومتانة لاكتشاف الأجسام.
• تنسيق موحّد للصور: أُعيد تحجيم جميع الصور إلى 640x640 بكسل. ويساعد ذلك المستخدمين على تدريب النماذج دون الحاجة إلى تعديل أحجام الصور.

على الرغم من مزايا RF100، فإن لها أيضًا بعض العيوب التي ينبغي مراعاتها:

• محدودية المهام: صُممت RF100 لاكتشاف الأجسام، لذا لا يمكن استخدامها لمهام مثل التجزئة أو التصنيف.
• التركيز على القياس المعياري: صُممت RF100 أساسًا لتكون أداة للقياس المعياري، لا لتدريب النماذج على تطبيقات العالم الحقيقي؛ لذلك قد لا تعكس نتائجها بالكامل سيناريوهات النشر العملية.
• تفاوت التعليقات التوضيحية: نظرًا إلى أن RF100 تجمع مجموعات بيانات من مصادر جماعية، فقد تظهر اختلافات في جودة التعليقات التوضيحية وممارسات وضع التسميات، ما قد يؤثر في تقييم النماذج وضبطها الدقيق.

مجموعة بيانات الأجسام الشائعة في السياق (COCO)#

تُعد مجموعة بيانات COCO من أكثر مجموعات بيانات الرؤية الحاسوبية استخدامًا، إذ تضم أكثر من 330,000 صورة مع تعليقات توضيحية تفصيلية. وقد صُممت لمهام اكتشاف الأجسام والتجزئة وكتابة أوصاف الصور، ما يجعلها موردًا قيّمًا للعديد من المشاريع. وتساعد تسمياتها التفصيلية، بما فيها مربعات الإحاطة وأقنعة التجزئة، الأنظمة على تعلم تحليل الصور بدقة.

تشتهر مجموعة البيانات هذه بمرونتها، وهي مفيدة لمهام متنوعة تتراوح بين المشاريع البسيطة والمعقدة. وقد أصبحت معيارًا في مجال الذكاء الاصطناعي للرؤية، وتُستخدم كثيرًا في التحديات والمسابقات لتقييم أداء النماذج.

تشمل بعض نقاط قوتها ما يلي:

• بيانات متنوعة وواقعية: تضم مجموعة البيانات صورًا من سيناريوهات العالم الحقيقي، فيها أجسام متعددة وحالات حجب وظروف إضاءة متفاوتة.
• اعتماد واسع في المجتمع البحثي: نظرًا إلى استخدامها في مسابقات تعلم الآلة الكبرى والأبحاث، تحظى مجموعة بيانات COCO بتوثيق شامل ونماذج مدرّبة مسبقًا ودعم نشط من المجتمع.
• تعليقات توضيحية غنية ومفصلة: توفر مجموعة بيانات COCO تعليقات توضيحية مفصلة للغاية، تشمل تقسيم الأجسام والنقاط الرئيسية والتعليقات النصية، ما يجعلها مثالية للمشروعات التي تتطلب فهمًا بصريًا دقيقًا.

إليك أيضًا بعض العوامل المحدِّدة التي ينبغي الانتباه إليها:

• متطلبات حاسوبية مرتفعة: نظرًا إلى حجم COCO وتعقيدها، قد يتطلب تدريب النماذج عليها موارد حاسوبية كبيرة، ما يشكل تحديًا للفرق ذات الأجهزة المحدودة.
• اختلال توازن البيانات: تحتوي بعض فئات الأجسام على صور أكثر بكثير من غيرها، ما قد يؤدي إلى تحيز في تدريب النماذج.
• بنية معقدة للتعليقات التوضيحية: قد تكون التعليقات التوضيحية المفصلة في مجموعة البيانات قيّمة، لكنها قد تبدو مربكة للمبتدئين أو الفرق الصغيرة التي تفتقر إلى الخبرة في التعامل مع مجموعات بيانات الرؤية الاصطناعية المنظمة.

مجموعة بيانات Open Images V7#

تُعد Open Images V7 مجموعة بيانات ضخمة مفتوحة المصدر، تولت Google تنسيقها، وتضم أكثر من 9 ملايين صورة مع تعليقات توضيحية لـ600 فئة من الأجسام. وتحتوي على أنواع متنوعة من التعليقات التوضيحية، وهي مثالية للتعامل مع مهام الرؤية الحاسوبية المعقدة. ويوفر حجمها وعمقها موردًا شاملًا لتدريب نماذج الرؤية الحاسوبية واختبارها.

الشكل 3. لمحة عن مجموعة بيانات Open Images V7. الصورة من إعداد المؤلف.

إضافة إلى ذلك، توفر شعبية مجموعة بيانات Open Images V7 في الأبحاث موارد وأمثلة كثيرة يمكن للمستخدمين الاستفادة منها في التعلم. لكن حجمها الضخم قد يجعل تنزيلها ومعالجتها يستغرقان وقتًا طويلًا، لا سيما للفرق الصغيرة. ومن التحديات الأخرى احتمال عدم اتساق بعض التعليقات التوضيحية، ما يتطلب جهدًا إضافيًا لتنظيف البيانات، كما أن دمجها لا يجري دائمًا بسلاسة، وقد يستلزم ذلك تحضيرًا إضافيًا.

اختيار مجموعة البيانات المناسبة#

يمثل اختيار مجموعة البيانات المناسبة جزءًا مهمًا من تهيئة مشروع الرؤية الحاسوبية لتحقيق النجاح. ويتوقف الخيار الأفضل على المهمة المحددة؛ فالعثور على ما يناسبها يساعد نموذجك على تعلم المهارات المطلوبة. وينبغي أيضًا أن يسهل دمج مجموعة البيانات مع أدواتك، كي تتمكن من التركيز على بناء نموذجك بدلًا من استكشاف المشكلات وإصلاحها.

الشكل 4. عوامل اختيار مجموعة البيانات المناسبة. الصورة من إعداد المؤلف.

أبرز النقاط#

تُعد مجموعات البيانات عالية الجودة أساس كل نموذج للرؤية الحاسوبية، إذ تساعد الأنظمة على تعلم تفسير الصور بدقة. وتكتسب مجموعات البيانات المتنوعة والموسومة جيدًا أهمية خاصة، لأنها تمكّن النماذج من العمل بموثوقية في سيناريوهات العالم الحقيقي، وتحد من الأخطاء الناجمة عن البيانات المحدودة أو الرديئة الجودة.

تسهّل Ultralytics عملية الوصول إلى مجموعات بيانات الرؤية الحاسوبية والعمل بها، ما يساعدك على العثور على البيانات المناسبة لمشروعك. ويُعد اختيار مجموعة البيانات المناسبة خطوة حاسمة لبناء نموذج عالي الأداء، بما يؤدي إلى نتائج أدق وأكبر أثرًا.

انضم إلى مجتمعنا واستكشف مستودع GitHub الخاص بنا لمعرفة المزيد عن الذكاء الاصطناعي. اكتشف التطورات، مثل الرؤية الحاسوبية في الرعاية الصحية والذكاء الاصطناعي في السيارات ذاتية القيادة، في صفحات حلولنا. اطّلع على خيارات الترخيص وابدأ اليوم خطوتك الأولى نحو استخدام الرؤية الحاسوبية!