استكشاف أفضل مجموعات بيانات رؤية الحاسوب في 2025

هل تعلم أن البيانات تلعب دورًا في كل ما تفعله تقريبا يوميا؟ مشاهدة فيديو، أو التقاط صورة، أو التحقق من خرائط جوجل تساهم في التدفق المستمر للمعلومات التي تلتقطها over 75 billion أجهزة متصلة. تشكل هذه القطع من البيانات أساس الذكاء الاصطناعي (AI). في 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 وحدها. الأهم هو مدى جودة تنظيمها وإعدادها. إذا كانت مجموعة البيانات غير منظمة أو غير مكتملة، فقد تؤدي إلى أخطاء. ومع ذلك، عندما تكون مجموعات البيانات نظيفة ومتنوعة، فإنها تساعد نماذج الرؤية الحاسوبية على أداء أفضل، سواء كان ذلك للتعرف على الكائنات وسط حشد أو تحليل المرئيات المعقدة. High-quality datasets تحدث فرقا كبيرا.

في هذا المقال، سنستكشف أفضل مجموعات بيانات الرؤية الحاسوبية لعام 2025 ونرى كيف تساهم في بناء نماذج رؤية حاسوبية أكثر دقة وكفاءة. لنبدأ!

ما هي مجموعات بيانات الرؤية الحاسوبية؟#

computer vision dataset هو مجموعة من الصور أو مقاطع الفيديو التي تساعد أنظمة الرؤية الحاسوبية على تعلم وفهم التعرف على المعلومات المرئية. تأتي مجموعات البيانات هذه مع تسميات أو تعليقات توضيحية تساعد النماذج في التعرف على الكائنات، والأشخاص، والمشاهد، والأنماط داخل البيانات.

يمكن استخدامها لتدريب نماذج الرؤية الحاسوبية، مما يساعدها على تحسين مهام مثل التعرف على الوجوه، أو اكتشاف الأشياء، أو تحليل المشاهد. وكلما كانت مجموعة البيانات أفضل - من حيث التنظيم والتنوع والدقة - كان أداء نموذج الرؤية المدعوم بالذكاء الاصطناعي أفضل، مما يؤدي إلى تقنية أكثر ذكاءً وفائدة في الحياة اليومية.

كيفية بناء مجموعة بيانات للرؤية الحاسوبية#

يشبه بناء مجموعة بيانات للرؤية الحاسوبية إعداد ملاحظات دراسية لتعليم شخص ما كيفية رؤية وفهم العالم. يبدأ الأمر كله بجمع الصور ومقاطع الفيديو التي تتوافق مع التطبيق المحدد الذي تعمل على تطويره.

تتضمن مجموعة البيانات المثالية أمثلة متنوعة للكائنات محل الاهتمام، ملتقطة من زوايا مختلفة، وتحت ظروف إضاءة متنوعة، وع عبر خلفيات وبيئات متعددة. يضمن هذا التنوع أن computer vision model يتعلم التعرف على الأنماط بدقة ويعمل بشكل موثوق في سيناريوهات العالم الحقيقي.

شكل 1. بناء مجموعة بيانات رؤية مثالية. الصورة بواسطة المؤلف.

بعد جمع الصور ومقاطع الفيديو ذات الصلة، تكون الخطوة التالية هي data labeling. تتضمن هذه العملية إضافة علامات، أو تعليقات توضيحية، أو أوصاف إلى البيانات لكي يتمكن الذكاء الاصطناعي من فهم محتوى كل صورة أو مقطع فيديو.

يمكن أن تتضمن التسميات أسماء الكائنات، أو المواقع، أو الحدود، أو التفاصيل الأخرى ذات الصلة التي تساعد في تدريب النموذج على التعرف على المعلومات المرئية وتفسيرها بدقة. تعمل تسمية البيانات على تحويل مجموعة بسيطة من الصور إلى مجموعة بيانات منظمة يمكن استخدامها لـ train نموذج رؤية حاسوبية.

يتطلب تدريب النموذج بيانات عالية الجودة#

قد تتساءل عما يجعل مجموعة البيانات عالية الجودة. هناك العديد من العوامل المعنية، مثل التسمية الدقيقة، والتنوع، والاتساق. على سبيل المثال، إذا كان عدة معلقين يقومون بتسمية مجموعة بيانات object detection لتحديد أذان القطط، فقد يقوم أحد المعلقين بتسميتها كجزء من الرأس بينما يقوم آخر بتسميتها بشكل منفصل كآذان. يمكن أن يؤدي هذا الاختلاف إلى ارباك النموذج والتأثير على قدرته على التعلم بشكل صحيح.

إليك نظرة عامة سريعة على صفات مجموعة بيانات الرؤية الحاسوبية المثالية:

• تسميات واضحة: كل صورة معنونة بدقة بتسميات متسقة ودقيقة.
• بيانات متنوعة: تتضمن مجموعة البيانات أشياء مختلفة، وخلفيات متنوعة، وظروف إضاءة وزوايا مختلفة لمساعدة النموذج على العمل بشكل جيد في مواقف مختلفة.
• صور عالية الدقة: الصور الحادة والمفصلة تجعل من السهل على النموذج تعلم الميزات والتعرف عليها.

Ultralytics تدعم مجموعات بيانات متنوعة#

نماذج Ultralytics YOLO، مثل YOLO11، مصممة للعمل مع مجموعات البيانات بتنسيق ملف YOLO محدد. في حين أنه من السهل تحويل بياناتك الخاصة إلى هذا التنسيق، فإننا نوفر أيضاً خياراً خالياً من المتاعب لأولئك الذين يرغبون في بدء التجربة على الفور.

تدعم Ultralytics Python package مجموعة واسعة من مجموعات بيانات الرؤية الحاسوبية، مما يتيح لك الغوص في المشاريع باستخدام مهام مثل اكتشاف الكائنات، أو تجزئة المثيلات، أو تقدير الوضعية دون أي إعداد إضافي.

يمكن للمستخدمين الوصول بسهولة إلى مجموعات بيانات جاهزة للاستخدام مثل COCO، وDOTA-v2.0، وOpen Images V7، وImageNet من خلال تحديد اسم مجموعة البيانات كأحد المعلمات في وظيفة التدريب. عند القيام بذلك، يتم تنزيل مجموعة البيانات وتهيئتها تلقائياً، حتى تتمكن من التركيز على بناء نماذجك وتحسينها.

أفضل 5 مجموعات بيانات للرؤية الحاسوبية في عام 2025#

تعتمد التطورات في الذكاء الاصطناعي المرئي على مجموعات بيانات متنوعة واسعة النطاق تدفع الابتكار وتمكن من تحقيق اختراقات. دعونا نلقي نظرة على بعض أهم مجموعات البيانات، المدعومة من Ultralytics، والتي تؤثر على نماذج الرؤية الحاسوبية.

مجموعة بيانات ImageNet#

ImageNet، الذي أنشأه Fei-Fei Li وفريقها في جامعة برينستون في عام 2007 وتم إصداره في عام 2009، هو مجموعة بيانات كبيرة تضم أكثر من 14 مليون صورة مصنفة. يتم استخدامه على نطاق واسع لتدريب الأنظمة على التعرف على الكائنات المختلفة وتصنيفها. يجعل تصميمه المنظم مفيدًا بشكل خاص لتعليم النماذج تصنيف الصور بدقة. على الرغم من توثيقه بشكل جيد، إلا أنه يركز بشكل أساسي على image classification ويفتقر إلى تعليقات تفصيلية لمهام مثل اكتشاف الكائنات.

إليك نظرة على بعض نقاط القوة الرئيسية لـ ImageNet:

• التنوع: مع صور تمتد عبر أكثر من 20,000 فئة، تقدم ImageNet مجموعة بيانات واسعة ومتنوعة تعزز تدريب النموذج والتعميم.
• تنظيم هيكلي: يتم تصنيف الصور بدقة باستخدام تسلسل WordNet الهرمي، مما يسهل استرجاع البيانات بكفاءة وتدريب النموذج بشكل منهجي.
• وثائق شاملة: الأبحاث المكثفة وسنوات الدراسة تجعل ImageNet في متناول كل من المبتدئين والخبراء، مما يوفر رؤى وإرشادات قيمة لـ computer vision projects.

ومع ذلك، مثل أي مجموعة بيانات، لها قيودها. إليك بعض التحديات التي يجب مراعاتها:

• المتطلبات الحسابية: يمكن أن يشكل حجمها الهائل تحديات للفرق الصغيرة ذات الموارد الحسابية المحدودة.
• نقص البيانات الزمنية: نظراً لاحتوائها على صور ثابتة فقط، فقد لا تلبي احتياجات التطبيقات التي تتطلب فيديو أو بيانات تعتمد على الوقت.
• صور قديمة: بعض الصور في مجموعة البيانات قديمة وقد لا تعكس الأشياء أو الأساليب أو البيئات الحالية، مما قد يقلل من أهميتها للتطبيقات الحديثة.

مجموعة بيانات DOTA-v2.0#

DOTA-v2.0 dataset، حيث تمثل DOTA مجموعة بيانات لاكتشاف الكائنات في الصور الجوية، هي مجموعة واسعة من الصور الجوية التي تم إنشاؤها خصيصًا لـ oriented bounding box (OBB) object detection. في اكتشاف OBB، يتم استخدام مربعات حدودية مستدارة لتتوافق بدقة أكبر مع التوجيه الفعلي للكائنات في الصورة. تعمل هذه الطريقة بشكل جيد جدا مع الصور الجوية، حيث تظهر الكائنات غالبا بزوايا مختلفة، مما يؤدي إلى تحديد أكثر دقة واكتشاف أفضل بشكل عام.

تتكون مجموعة البيانات هذه من أكثر من 11,000 صورة وأكثر من 1.7 مليون مربع إحاطة موجه عبر 18 فئة من الأشياء. تتراوح أحجام الصور من 800×800 إلى 20,000×20,000 بكسل، وتشمل أشياء مثل الطائرات والسفن والمباني.

Fig 2. أمثلة للصور والتعليقات التوضيحية من مجموعة بيانات DOTA-v2.0. الصورة بواسطة المؤلف.

بسبب تعليقاتها التوضيحية التفصيلية، أصبحت DOTA-v2.0 خياراً شائعاً لمشاريع الاستشعار عن بعد والمراقبة الجوية. إليك بعض الميزات الرئيسية لـ DOTA-v2.0:

• فئات أشياء متنوعة: تغطي العديد من أنواع الأشياء المختلفة، مثل المركبات والموانئ وخزانات التخزين، مما يمنح النماذج تعرضاً لأشياء متنوعة في العالم الحقيقي.
• تعليقات توضيحية عالية الجودة: قدم الموصفون الخبراء مربعات إحاطة موجهة بدقة تظهر بوضوح أشكال واتجاهات الأشياء.
• صور متعددة المقاييس: تتضمن مجموعة البيانات صوراً بأحجام مختلفة، مما يساعد النماذج على تعلم كيفية اكتشاف الأشياء على المقاييس الصغيرة والكبيرة.

بينما تتمتع DOTA-v2 بالعديد من نقاط القوة، إليك بعض القيود التي يجب على المستخدمين وضعها في الاعتبار:

• خطوات تنزيل إضافية: نظراً للطريقة التي تتم بها صيانة مجموعة بيانات DOTA، تتطلب DOTA-v2.0 خطوة إعداد إضافية. تحتاج أولاً إلى تنزيل صور DOTA-v1.0 ثم إضافة الصور الإضافية والتعليقات التوضيحية المحدثة لـ DOTA-v2.0 لإكمال مجموعة البيانات.
• تعليقات توضيحية معقدة: قد تتطلب مربعات الإحاطة الموجهة جهداً إضافياً للتعامل معها أثناء تدريب النموذج.
• نطاق محدود: تم تصميم DOTA-v2 للصور الجوية، مما يجعلها أقل فائدة لمهام اكتشاف الأشياء العامة خارج هذا النطاق.

مجموعة بيانات Roboflow 100#

تم إنشاء مجموعة بيانات Roboflow 100 (RF100) بواسطة Roboflow بدعم من Intel. يمكن استخدامها لاختبار ومقارنة مدى كفاءة عمل نماذج اكتشاف الكائنات. تتضمن مجموعة بيانات المعيار هذه 100 مجموعة بيانات مختلفة تم اختيارها من أكثر من 90,000 مجموعة بيانات عامة. وتحتوي على أكثر من 224,000 صورة و800 فئة من الكائنات من مجالات مثل الرعاية الصحية، والمناظر الجوية، والألعاب.

إليك بعض المزايا الرئيسية لاستخدام RF100:

• تغطية واسعة للمجالات: تتضمن مجموعات بيانات من سبعة مجالات، مثل التصوير الطبي، والمناظر الجوية، والاستكشاف تحت الماء.
• تشجع على تحسين النموذج: يكشف التباين والتحديات الخاصة بالمجال في RF100 عن فجوات في النماذج الحالية، مما يدفع الأبحاث نحو حلول اكتشاف أشياء أكثر قابلية للتكيف وقوة.
• تنسيق صورة ثابت: يتم تغيير حجم جميع الصور إلى 640x640 بكسل. يساعد هذا المستخدمين على تدريب النماذج دون الحاجة إلى ضبط أحجام الصور.

على الرغم من نقاط قوتها، تأتي RF100 أيضاً ببعض العيوب التي يجب وضعها في الاعتبار:

• محدودة من حيث المهام: تم تصميم RF100 لاكتشاف الأشياء، لذا فهي لا يمكنها استيعاب مهام مثل التجزئة أو التصنيف.
• تركيز متمحور حول القياس: تم تصميم RF100 في المقام الأول كأداة قياس بدلاً من تدريب النماذج لتطبيقات العالم الحقيقي، لذا قد لا تترجم نتائجها بالكامل إلى سيناريوهات النشر العملي.
• تباين التعليقات التوضيحية: نظراً لأن RF100 تجمع مجموعات بيانات من مصادر جماهيرية، فقد تكون هناك تناقضات في جودة التعليقات التوضيحية وممارسات التسمية، مما قد يؤثر على تقييم النموذج والضبط الدقيق.

مجموعة بيانات COCO (Common Objects in Context)#

COCO dataset هي واحدة من أكثر مجموعات بيانات الرؤية الحاسوبية استخدامًا على نطاق واسع، حيث توفر أكثر من 330,000 صورة مع تعليقات توضيحية مفصلة للصور. وهي مصممة لاكتشاف الكائنات، والتجزئة، والتعليق على الصور، مما يجعلها مورداً قيماً للعديد من المشاريع. تساعد تسمياتها المفصلة، بما في ذلك المربعات الحدودية وأقنعة التجزئة، الأنظمة على تعلم تحليل الصور بدقة.

تشتهر مجموعة البيانات هذه بمرونتها وهي مفيدة لمهام متنوعة، من المشاريع البسيطة إلى المعقدة. لقد أصبحت معياراً في مجال الذكاء الاصطناعي المرئي، وتُستخدم بشكل متكرر في التحديات والمسابقات لتقييم أداء النموذج.

تتضمن بعض نقاط قوتها ما يلي:

• بيانات متنوعة وواقعية: تتضمن مجموعة البيانات صوراً من سيناريوهات العالم الحقيقي مع أشياء متعددة، وحالات انسداد، وظروف إضاءة متنوعة.
• مجتمع قوي وتبنٍ بحثي: تُستخدم في مسابقات التعلم الآلي الكبرى والأبحاث، وتتمتع مجموعة بيانات COCO بتوثيق شامل، ونماذج مدربة مسبقاً، ودعم مجتمعي نشط.
• تعليقات توضيحية غنية ومفصلة: توفر مجموعة بيانات COCO تعليقات توضيحية مفصلة للغاية، بما في ذلك تجزئة الأشياء، والنقاط الرئيسية، والشروحات، مما يجعلها مثالية للمشاريع التي تتطلب فهماً مرئياً دقيقاً.

إليك بعض العوامل المقيدة التي يجب أن تكون على دراية بها أيضاً:

• متطلبات حسابية عالية: نظراً لحجمها وتعقيدها، قد يتطلب تدريب النماذج على COCO موارد حسابية كبيرة، مما يجعله تحدياً للفرق ذات الأجهزة المحدودة.
• عدم توازن البيانات: تحتوي بعض فئات الأشياء على صور أكثر بكثير من غيرها، مما قد يؤدي إلى تحيز في تدريب النموذج.
• هيكل تعليقات توضيحية معقد: قد تكون التعليقات التوضيحية التفصيلية لمجموعة البيانات، على الرغم من قيمتها، مربكة للمبتدئين أو الفرق الصغيرة التي تفتقر إلى الخبرة في العمل مع مجموعات بيانات الذكاء الاصطناعي المرئي المنظمة.

مجموعة بيانات Open Images V7#

Open Images V7 هي مجموعة بيانات ضخمة مفتوحة المصدر تم تنظيمها بواسطة Google، وتضم أكثر من 9 ملايين صورة مع تعليقات توضيحية لـ 600 فئة من الكائنات. تتضمن مجموعة متنوعة من أنواع التعليقات التوضيحية وهي مثالية لمعالجة مهام الرؤية الحاسوبية المعقدة. يوفر نطاقها وعمقها مورداً شاملاً لتدريب واختبار نماذج الرؤية الحاسوبية.

Fig 3. لمحة داخل مجموعة بيانات Open Images V7. الصورة بواسطة المؤلف.

أيضاً، توفر شعبية مجموعة بيانات Open Images V7 في الأبحاث الكثير من الموارد والأمثلة للمستخدمين للتعلم منها. ومع ذلك، فإن حجمها الهائل يمكن أن يجعل التنزيل والمعالجة يستغرقان وقتاً طويلاً، خاصة للفرق الصغيرة. مشكلة أخرى هي أن بعض التعليقات التوضيحية قد تكون غير متسقة، مما يتطلب جهداً إضافياً لتنظيف البيانات، والتكامل ليس دائماً سلساً، مما يعني أن هناك حاجة إلى إعداد إضافي.

اختيار مجموعة البيانات المناسبة#

اختيار مجموعة البيانات المناسبة هو جزء كبير من إعداد مشروع الرؤية الحاسوبية الخاص بك للنجاح. يعتمد الخيار الأفضل على مهمتك المحددة - فالعثور على تطابق جيد يساعد نموذجك على تعلم المهارات الصحيحة. يجب أيضاً أن تتكامل بسهولة مع أدواتك، حتى تتمكن من التركيز أكثر على بناء نموذجك وأقل على استكشاف الأخطاء وإصلاحها.

شكل 4. عوامل اختيار مجموعة البيانات المناسبة. الصورة بواسطة المؤلف.

أبرز النقاط#

تعد مجموعات البيانات عالية الجودة العمود الفقري لأي نموذج رؤية حاسوبية، مما يساعد الأنظمة على تعلم تفسير الصور بدقة. مجموعات البيانات المتنوعة والموصوفة جيداً مهمة بشكل خاص، حيث أنها تمكن النماذج من الأداء بشكل موثوق في سيناريوهات العالم الحقيقي وتقليل الأخطاء الناجمة عن بيانات محدودة أو رديئة الجودة.

تعمل Ultralytics على تبسيط عملية الوصول إلى مجموعات بيانات الرؤية الحاسوبية والعمل معها، مما يجعل من الأسهل العثور على البيانات المناسبة لمشروعك. يعد اختيار مجموعة البيانات المناسبة خطوة حاسمة في بناء نموذج عالي الأداء، مما يؤدي إلى نتائج أكثر دقة وتأثيراً.

انضم إلى our community واستكشف our GitHub repository لمعرفة المزيد عن الذكاء الاصطناعي. اكتشف التطورات مثل computer vision for healthcare و AI in self-driving cars على صفحات الحلول الخاصة بنا. تحقق من our licensing options واتخذ الخطوة الأولى نحو البدء في الرؤية الحاسوبية اليوم!