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 التحقق من خرائط Google يساهم في التدفق المستمر للمعلومات التي تلتقطها 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 إن طريقة تنظيمها وإعدادها أهم. فإذا كانت مجموعة البيانات فوضوية أو غير مكتملة، فقد تؤدي إلى أخطاء. أما عندما تكون مجموعات البيانات نظيفة ومتنوعة، فإنها تساعد نماذج الرؤية الحاسوبية على تحقيق أداء أفضل، سواء في التعرف على الكائنات وسط حشد أو تحليل المرئيات المعقدة. وتُحدث مجموعات البيانات عالية الجودة فرقًا كبيرًا.

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

ما مجموعات بيانات الرؤية الحاسوبية؟#

مجموعة بيانات الرؤية الحاسوبية هي مجموعة من الصور أو مقاطع الفيديو التي تساعد أنظمة الرؤية الحاسوبية على تعلم فهم المعلومات المرئية والتعرف عليها. وتأتي هذه المجموعات مصحوبة بتسميات أو تعليقات توضيحية تساعد النماذج على التعرف على الكائنات والأشخاص والمشاهد والأنماط ضمن البيانات.

يمكن استخدامها لتدريب نماذج الرؤية الحاسوبية، ومساعدتها على تحسين مهام مثل تحديد الوجوه أو اكتشاف الكائنات أو تحليل المشاهد. وكلما كانت مجموعة البيانات أفضل — من حيث التنظيم والتنوع والدقة — تحسن أداء نموذج الذكاء الاصطناعي للرؤية، مما يؤدي إلى تقنية أكثر ذكاءً وفائدة في الحياة اليومية.

كيفية إنشاء مجموعة بيانات للرؤية الحاسوبية#

يشبه إنشاء مجموعة بيانات للرؤية الحاسوبية إعداد ملاحظات دراسية لتعليم شخص كيفية رؤية العالم وفهمه. ويبدأ الأمر كله بجمع الصور ومقاطع الفيديو التي تتوافق مع التطبيق المحدد الذي تطوره.

تتضمن مجموعة البيانات المثالية أمثلة متنوعة للكائنات محل الاهتمام، ملتقطة من زوايا مختلفة، وتحت ظروف إضاءة متعددة، وفي خلفيات وبيئات متنوعة. ويضمن هذا التنوع أن يتعلم نموذج الرؤية الحاسوبية التعرف على الأنماط بدقة وأن يعمل بصورة موثوقة في سيناريوهات العالم الحقيقي.

الشكل 1. إنشاء مجموعة بيانات الرؤية المثالية. الصورة من إعداد المؤلف.

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

يمكن أن تتضمن التسميات أسماء الكائنات ومواقعها وحدودها أو غير ذلك من التفاصيل ذات الصلة التي تساعد على تدريب النموذج ليتعرف على المعلومات المرئية ويفسرها بدقة. ويحوّل وسم البيانات مجموعة بسيطة من الصور إلى مجموعة بيانات منظمة يمكن استخدامها من أجل تدريب نموذج رؤية حاسوبية.

يتطلب تدريب النموذج بيانات عالية الجودة#

قد تتساءل عما يجعل مجموعة البيانات عالية الجودة. هناك عوامل عديدة، مثل دقة وضع التسميات والتنوع والاتساق. فعلى سبيل المثال، إذا كان عدة مُعلّقين يضعون تسميات لمجموعة بيانات اكتشاف الكائنات لتحديد آذان القطط، فقد يضع أحدهم تسميتها باعتبارها جزءًا من الرأس، بينما يضعها آخر كتسمية منفصلة للآذان. وقد يؤدي هذا التباين إلى إرباك النموذج والتأثير في قدرته على التعلم بصورة صحيحة.

فيما يلي نظرة سريعة على خصائص مجموعة بيانات الرؤية الحاسوبية المثالية:

• تسميات واضحة: كل صورة مشروحة بدقة باستخدام تسميات متسقة ومحكمة.
• بيانات متنوعة: تتضمن مجموعة البيانات كائنات وخلفيات وظروف إضاءة وزوايا مختلفة لمساعدة النموذج على العمل جيدًا في مواقف متنوعة.
• صور عالية الدقة: تسهّل الصور الواضحة والمفصلة على النموذج تعلم السمات والتعرف عليها.

تدعم Ultralytics مجموعات بيانات متنوعة#

صُممت نماذج Ultralytics YOLO، مثل YOLO11، للعمل مع مجموعات البيانات بتنسيق ملفات YOLO محدد. وبينما يسهل تحويل بياناتك الخاصة إلى هذا التنسيق، فإننا نوفر أيضًا خيارًا سهلًا لمن يرغبون في بدء التجربة فورًا.

تدعم حزمة Ultralytics Python مجموعة واسعة من مجموعات بيانات الرؤية الحاسوبية، مما يتيح لك بدء العمل على مشاريع تستخدم مهام مثل اكتشاف الكائنات أو تقسيم 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، وذلك بتحديد اسم مجموعة البيانات باعتباره أحد المعلمات في دالة التدريب. وعند القيام بذلك، تُنزّل مجموعة البيانات تلقائيًا وتُهيّأ مسبقًا، لتتمكن من التركيز على بناء نماذجك وتحسينها.

أفضل 5 مجموعات بيانات للرؤية الحاسوبية في عام 2025#

يعتمد التقدم في الذكاء الاصطناعي للرؤية على مجموعات بيانات متنوعة وواسعة النطاق تدفع عجلة الابتكار وتمكّن من تحقيق اختراقات. دعونا نلقِ نظرة على بعض أهم مجموعات البيانات التي تدعمها Ultralytics وتؤثر في نماذج الرؤية الحاسوبية.

مجموعة بيانات ImageNet#

تُعد ImageNet، التي أنشأتها Fei-Fei Li وفريقها في جامعة Princeton عام 2007 وقُدّمت عام 2009، مجموعة بيانات كبيرة تضم أكثر من 14 مليون صورة موسومة. وتُستخدم على نطاق واسع لتدريب الأنظمة على التعرف على الكائنات المختلفة وتصنيفها. ويجعل تصميمها المنظم منها مفيدة بوجه خاص لتعليم النماذج تصنيف الصور بدقة. وعلى الرغم من توثيقها الجيد، فإنها تركز أساسًا على تصنيف الصور وتفتقر إلى التعليقات التوضيحية التفصيلية اللازمة لمهام مثل اكتشاف الكائنات.

فيما يلي بعض أبرز نقاط قوة ImageNet:

• التنوع: بفضل صور تغطي أكثر من 20,000 فئة، توفر ImageNet مجموعة بيانات واسعة ومتنوعة تعزز تدريب النماذج وقدرتها على التعميم.
• التنظيم المنهجي: تُصنّف الصور بعناية باستخدام تسلسل WordNet الهرمي، مما يسهّل استرجاع البيانات بكفاءة وتدريب النماذج بصورة منهجية.
• التوثيق الشامل: تجعل الأبحاث المكثفة وسنوات الدراسة ImageNet متاحة للمبتدئين والخبراء على حد سواء، إذ توفر رؤى وإرشادات قيّمة لـمشاريع الرؤية الحاسوبية.

ومع ذلك، فلها مثل أي مجموعة بيانات بعض القيود. وفيما يلي بعض التحديات التي ينبغي مراعاتها:

• المتطلبات الحاسوبية: قد يفرض حجمها الهائل تحديات على الفرق الصغيرة ذات الموارد الحاسوبية المحدودة.
• غياب البيانات الزمنية: نظرًا إلى أنها تحتوي على صور ثابتة فقط، فقد لا تلبي احتياجات التطبيقات التي تتطلب بيانات فيديو أو بيانات مرتبطة بالزمن.
• صور قديمة: بعض الصور في مجموعة البيانات قديمة، وربما لا تعكس الكائنات أو الأنماط أو البيئات الحالية، مما قد يقلل من ملاءمتها للتطبيقات الحديثة.

مجموعة بيانات DOTA-v2.0#

تُعد مجموعة بيانات DOTA-v2.0، حيث يشير DOTA إلى مجموعة بيانات لاكتشاف الكائنات في الصور الجوية، مجموعة واسعة من الصور الجوية أُنشئت خصيصًا لـاكتشاف الكائنات باستخدام الصندوق المحيط الموجّه (OBB). وفي اكتشاف OBB، تُستخدم صناديق محيطة مدوّرة لمحاذاة الكائنات بدقة أكبر مع اتجاهها الفعلي في الصورة. وتعمل هذه الطريقة جيدًا بوجه خاص مع الصور الجوية، حيث تظهر الكائنات غالبًا بزوايا مختلفة، مما يؤدي إلى تحديد مواقع أكثر دقة واكتشاف أفضل عمومًا.

تتكون مجموعة البيانات هذه من أكثر من 11,000 صورة وأكثر من 1.7 مليون صندوق محيط موجّه موزعة على 18 فئة من الكائنات. وتتراوح أبعاد الصور بين 800×800 و20,000×20,000 بكسل، وتتضمن كائنات مثل الطائرات والسفن والمباني.

الشكل 2. أمثلة على صور وتعليقات توضيحية من مجموعة بيانات DOTA-v2.0. الصورة من إعداد المؤلف.

بفضل تعليقاتها التوضيحية التفصيلية، أصبحت DOTA-v2.0 خيارًا شائعًا لمشاريع الاستشعار عن بُعد والمراقبة الجوية. فيما يلي بعض الميزات الرئيسية لـ DOTA-v2.0:

• تنوع فئات الكائنات: تغطي أنواعًا مختلفة عديدة من الكائنات، مثل المركبات والموانئ وخزانات التخزين، مما يعرّض النماذج لمجموعة متنوعة من كائنات العالم الحقيقي.
• تعليقات توضيحية عالية الجودة: قدم المعلّقون الخبراء صناديق محيطة موجّهة بدقة توضّح أشكال الكائنات واتجاهاتها بوضوح.
• صور متعددة المقاييس: تتضمن مجموعة البيانات صورًا بأحجام مختلفة، مما يساعد النماذج على تعلم اكتشاف الكائنات على المقاييس الصغيرة والكبيرة.

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

• خطوات تنزيل إضافية: نظرًا إلى 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 تتطلب الصناديق المحيطة الموجّهة جهدًا إضافيًا للتعامل معها أثناء تدريب النموذج.
• نطاق محدود: صُممت DOTA-v2 للصور الجوية، مما يجعلها أقل فائدة لمهام اكتشاف الكائنات العامة خارج هذا المجال.

مجموعة بيانات Roboflow 100#

أنشأت Roboflow مجموعة بيانات Roboflow 100 (RF100) بدعم من Intel. ويمكن استخدامها لاختبار مدى جودة عمل نماذج اكتشاف الكائنات وقياس أدائها. وتتضمن مجموعة البيانات المعيارية هذه 100 مجموعة بيانات مختلفة اختيرت من أكثر من 90,000 مجموعة بيانات عامة. وتحتوي على أكثر من 224,000 صورة و800 فئة من الكائنات في مجالات مثل الرعاية الصحية والصور الجوية والألعاب.

فيما يلي بعض المزايا الرئيسية لاستخدام RF100:

• تغطية واسعة للمجالات: تتضمن مجموعات بيانات من سبعة مجالات، مثل التصوير الطبي والصور الجوية والاستكشاف تحت الماء.
• تشجع على تحسين النماذج: يكشف التنوع والتحديات الخاصة بالمجالات في RF100 عن فجوات في النماذج الحالية، مما يدفع الأبحاث نحو حلول لاكتشاف الكائنات أكثر قابلية للتكيف ومتانة.
• تنسيق موحد للصور: تُغيّر أبعاد جميع الصور إلى 640x640 بكسل. ويساعد ذلك المستخدمين على تدريب النماذج دون الحاجة إلى ضبط أحجام الصور.

على الرغم من مزايا RF100، فإن لها أيضًا بعض العيوب التي ينبغي وضعها في الاعتبار:

• محدودة من حيث المهام: صُممت RF100 لاكتشاف الكائنات، ولذلك لا يمكنها استيعاب مهام مثل التقسيم أو التصنيف.
• تركيز محوري على القياس المعياري: صُممت RF100 أساسًا أداةً للقياس المعياري بدلًا من تدريب النماذج لتطبيقات العالم الحقيقي، ولذلك قد لا تُترجم نتائجها بالكامل إلى سيناريوهات النشر العملية.
• تباين التعليقات التوضيحية: نظرًا إلى أن RF100 تجمع مجموعات بيانات مصدرها الجمهور، فقد توجد أوجه عدم اتساق في جودة التعليقات التوضيحية وممارسات وضع التسميات، مما قد يؤثر في تقييم النموذج وضبطه الدقيق.

مجموعة بيانات COCO (الكائنات الشائعة في السياق)#

تُعد مجموعة بيانات COCO واحدة من أكثر مجموعات بيانات الرؤية الحاسوبية استخدامًا على نطاق واسع، إذ توفر أكثر من 330,000 صورة مع تعليقات توضيحية تفصيلية. وقد صُممت لاكتشاف الكائنات وتقسيمها ووصف الصور، مما يجعلها موردًا قيّمًا للعديد من المشاريع. وتساعد تسمياتها التفصيلية، بما في ذلك الصناديق المحيطة وأقنعة التقسيم، الأنظمة على تعلم تحليل الصور بدقة.

تُعرف مجموعة البيانات هذه بمرونتها، وهي مفيدة لمهام متنوعة، من المشاريع البسيطة إلى المعقدة. 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: تتضمن مجموعة البيانات صورًا من سيناريوهات العالم الحقيقي، مع كائنات متعددة وحجب وظروف إضاءة متنوعة.
• اعتماد قوي من المجتمع والأبحاث: استُخدمت مجموعة بيانات COCO في مسابقات التعلم الآلي والأبحاث الكبرى، وتتمتع بتوثيق شامل ونماذج مدرّبة مسبقًا ودعم نشط من المجتمع.
• تعليقات توضيحية غنية ومفصلة: توفر مجموعة بيانات COCO تعليقات توضيحية شديدة التفصيل، بما في ذلك تقسيم الكائنات والنقاط الرئيسية والأوصاف، مما يجعلها مثالية للمشاريع التي تتطلب فهمًا بصريًا دقيقًا.

وفيما يلي بعض العوامل المحدِّدة التي ينبغي الانتباه إليها أيضًا:

• متطلبات حاسوبية مرتفعة: نظرًا إلى حجم COCO وتعقيدها، قد يتطلب تدريب النماذج عليها موارد حاسوبية كبيرة، مما يشكل تحديًا للفرق ذات العتاد المحدود.
• اختلال توازن البيانات: تحتوي بعض فئات الكائنات على صور أكثر بكثير من غيرها، مما قد يؤدي إلى تحيز في تدريب النموذج.
• بنية تعليقات توضيحية معقدة: قد تكون التعليقات التوضيحية التفصيلية لمجموعة البيانات، رغم قيمتها، مربكة للمبتدئين أو الفرق الصغيرة التي تفتقر إلى الخبرة في العمل مع مجموعات بيانات الذكاء الاصطناعي للرؤية المنظمة.

مجموعة بيانات Open Images V7#

تُعد Open Images V7 مجموعة بيانات ضخمة مفتوحة المصدر نسقتها Google، وتضم أكثر من 9 ملايين صورة مع تعليقات توضيحية لـ600 فئة من الكائنات. وتتضمن أنواعًا متنوعة من التعليقات التوضيحية، وهي مثالية لمعالجة 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 ليتعلم منها المستخدمون. ومع ذلك، قد يجعل حجمها الهائل عملية التنزيل والمعالجة مستغرقة للوقت، ولا سيما للفرق الصغيرة. وتتمثل مشكلة أخرى في أن بعض التعليقات التوضيحية قد تكون غير متسقة، مما يتطلب جهدًا إضافيًا لتنظيف البيانات، كما أن التكامل ليس سلسًا دائمًا، ما قد يستلزم إعدادًا إضافيًا.

اختيار مجموعة البيانات المناسبة#

يُعد اختيار مجموعة البيانات المناسبة جزءًا مهمًا من إعداد مشروع الرؤية الحاسوبية لتحقيق النجاح. ويعتمد الخيار الأفضل على مهمتك المحددة — إذ يساعد العثور على تطابق جيد نموذجك على تعلم المهارات الصحيحة. وينبغي أيضًا أن تتكامل المجموعة بسهولة مع أدواتك، حتى تتمكن من التركيز أكثر على بناء نموذجك وأقل على استكشاف الأخطاء وإصلاحها.

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

أهم النقاط المستخلصة#

تُعد مجموعات البيانات عالية الجودة العمود الفقري لأي نموذج رؤية حاسوبية، إذ تساعد الأنظمة على تعلم تفسير الصور بدقة. وتكتسب مجموعات البيانات المتنوعة والمشروحة جيدًا أهمية خاصة، لأنها تمكّن النماذج من العمل بصورة موثوقة في سيناريوهات العالم الحقيقي وتقلل الأخطاء الناجمة عن البيانات المحدودة أو الرديئة الجودة.

تبسّط Ultralytics عملية الوصول إلى مجموعات بيانات الرؤية الحاسوبية والعمل عليها، مما يسهّل العثور على البيانات المناسبة لمشروعك. ويُعد اختيار مجموعة البيانات المناسبة خطوة حاسمة في بناء نموذج عالي الأداء، مما يؤدي إلى نتائج أكثر دقة وتأثيرًا.

انضم إلى مجتمعنا واستكشف مستودع GitHub الخاص بنا لمعرفة المزيد عن الذكاء الاصطناعي. واكتشف تطورات مثل الرؤية الحاسوبية للرعاية الصحية والذكاء الاصطناعي في السيارات ذاتية القيادة في صفحات حلولنا. اطّلع على خيارات الترخيص لدينا واتخذ الخطوة الأولى نحو بدء العمل في مجال الرؤية الحاسوبية اليوم!