تحسين متانة نماذج الذكاء الاصطناعي بزيادة البيانات

يُعد الاختبار جزءًا حاسمًا في بناء أي حل تقني. فهو يوضح للفرق كيفية عمل النظام فعليًا قبل إطلاقه ويسمح لهم بإصلاح المشكلات مبكرًا. وينطبق هذا على العديد من المجالات، بما في ذلك الذكاء الاصطناعي، حيث يُتوقع من النماذج التعامل مع ظروف واقعية غير متوقعة بمجرد نشرها.

على سبيل المثال، يعد computer vision فرعًا من الذكاء الاصطناعي يعلم الآلات فهم الصور والفيديوهات. تدعم نماذج الرؤية الحاسوبية مثل Ultralytics YOLO26 مهام مثل اكتشاف الكائنات، وتقسيم المثيلات، وتصنيف الصور.

يمكن استخدامها في العديد من الصناعات لتطبيقات مثل مراقبة المرضى، وتحليل حركة المرور، والدفع الآلي، وفحص الجودة في التصنيع. ومع ذلك، حتى مع النماذج المتقدمة وبيانات التدريب عالية الجودة، لا تزال حلول رؤية الذكاء الاصطناعي قد تواجه صعوبات بمجرد مواجهتها لمتغيرات العالم الحقيقي مثل تغير الإضاءة، أو الحركة، أو الكائنات المحجوبة جزئيًا.

يحدث هذا لأن النماذج تتعلم من الأمثلة التي تُقدم لها أثناء التدريب. وإذا لم ترَ ظروفًا مثل الوهج، أو ضبابية الحركة، أو الرؤية الجزئية من قبل، فمن غير المرجح أن تتعرف على الكائنات بشكل صحيح في تلك السيناريوهات.

إحدى طرق تحسين متانة النموذج هي من خلال data augmentation. بدلاً من جمع كميات كبيرة من البيانات الجديدة، يمكن للمهندسين إجراء تغييرات صغيرة وذات مغزى على الصور الموجودة، مثل ضبط الإضاءة، أو الاقتصاص، أو مزج الصور. يساعد هذا النموذج على تعلم التعرف على نفس الكائنات عبر نطاق أوسع من المواقف.

في هذه المقالة، سنستكشف كيف تعمل زيادة البيانات على تعزيز متانة النموذج وموثوقية أنظمة رؤية الذكاء الاصطناعي عند نشرها خارج الإعدادات الخاضعة للرقابة. لنبدأ!

كيفية التحقق من متانة النموذج#

قبل أن نتعمق في تحسين البيانات، دعنا نناقش كيف نعرف ما إذا كان computer vision model جاهزًا حقًا للاستخدام في العالم الحقيقي.

يستمر النموذج المتين في الأداء الجيد حتى عند تغير الظروف، بدلاً من العمل فقط على صور نظيفة ومصنفة بشكل مثالي. إليك بعض العوامل العملية التي يجب مراعاتها عند تقييم متانة نموذج الذكاء الاصطناعي:

• تغيرات الإضاءة: قد تتصرف النماذج بشكل مختلف عند تعرضها لضوء ساطع، أو إضاءة منخفضة، أو وهج، أو ظلال، مما قد يؤثر على مدى ثقة اكتشاف الكائنات.
• الإخفاء الجزئي: في المشاهد اليومية، غالبًا ما تكون الكائنات محجوبة بواسطة عناصر أخرى أو تكون مرئية جزئيًا فقط. النموذج الأكثر متانة قادر على التعرف عليها حتى مع وجود معلومات بصرية مفقودة.
• المشاهد المزدحمة: يمكن للبيئات التي تحتوي على العديد من الكائنات المتداخلة أن تجعل الاكتشاف أكثر صعوبة. النماذج التي تعمل بشكل جيد في هذه الحالات تكون عادةً أكثر موثوقية في الإعدادات المعقدة.

لا تترجم النتائج الجيدة على الصور النظيفة والملتقطة بشكل مثالي دائمًا إلى أداء قوي في العالم الحقيقي. يساعد الاختبار المنتظم عبر ظروف متنوعة في إظهار مدى جودة صمود النموذج بمجرد نشره.

ما هي زيادة البيانات؟#

يمكن أن تتغير الطريقة التي يظهر بها كائن في صورة بناءً على الإضاءة، أو الزاوية، أو المسافة، أو الخلفية. عند تدريب نموذج رؤية حاسوبية، يجب أن تتضمن مجموعة البيانات التي يتعلم منها هذا النوع من التباين حتى يتمكن من الأداء بشكل جيد في بيئات غير متوقعة.

تعمل زيادة البيانات على توسيع مجموعة بيانات التدريب من خلال إنشاء أمثلة إضافية من الصور التي تمتلكها بالفعل. يتم ذلك عن طريق تطبيق تغييرات متعمدة مثل تدوير الصورة أو قلبها، أو ضبط السطوع، أو قص جزء منها.

على سبيل المثال، تخيل أن لديك صورة واحدة فقط لقطة. إذا قمت بتدوير الصورة أو تغيير سطوعها، يمكنك إنشاء عدة إصدارات جديدة من تلك الصورة الواحدة. يبدو كل إصدار مختلفًا قليلاً، لكنها لا تزال صورة لنفس القطة. تساعد هذه الاختلافات في تعليم النموذج أن الكائن يمكن أن يبدو مختلفًا بينما يظل هو نفسه.

الشكل 1. نظرة على تحسين صورة قطة (المصدر)

كيف تعمل زيادة البيانات على تحسين أداء النموذج#

أثناء تدريب النموذج، يمكن دمج زيادة البيانات مباشرة في خط أنابيب التدريب. بدلاً من إنشاء نسخ جديدة من الصور وتخزينها يدويًا، يمكن تطبيق تحويلات عشوائية عند تحميل كل صورة.

هذا يعني أن النموذج يرى نسخة مختلفة قليلاً من الصورة في كل مرة، سواء كانت تظهر أكثر سطوعًا، أو مقلوبة، أو مخفية جزئيًا. يمكن لتقنيات مثل المسح العشوائي حتى إزالة مناطق صغيرة من الصورة لمحاكاة مواقف العالم الحقيقي حيث يكون الكائن محجوبًا أو مرئيًا جزئيًا فقط.

الشكل 2. أمثلة على التحسين القائم على الحذف العشوائي (المصدر)

رؤية العديد من الإصدارات المختلفة لنفس الصورة تجعل من الممكن للنموذج تعلم السمات المهمة، بدلاً من الاعتماد على مثال واحد مثالي. يبني هذا التنوع متانة نموذج الذكاء الاصطناعي حتى يتمكن من الأداء بشكل أكثر موثوقية في ظروف العالم الحقيقي.

تقنيات زيادة البيانات الشائعة#

إليك بعض تقنيات زيادة البيانات المستخدمة لتقديم التباين في صور التدريب:

• التحويلات الهندسية: تغير هذه التقنيات كيفية ظهور الكائن مكانيًا داخل الصورة. تدوير الصورة، أو قلبها، أو تغيير حجمها، أو قصها، أو تحريكها يُمكّن النموذج من فهم كيفية رؤية الكائن من زوايا أو مسافات مختلفة.
• تعديلات الألوان والإضاءة: نادرًا ما تكون إضاءة العالم الحقيقي متسقة. يمكن أن تكون الصور ساطعة جدًا، أو داكنة جدًا، أو ذات لون مختلف قليلاً، اعتمادًا على البيئة أو الكاميرا المستخدمة. يسمح ضبط السطوع، والتباين، ودرجة اللون، والتشبع للنماذج بالتعامل مع هذه التغيرات البصرية والأداء بشكل جيد عبر مشاهد مختلفة.
• تغيرات جودة الصورة: يمكن أن تجعل الضبابية أو الضوضاء البصرية الصور تبدو غير واضحة. تساعد إضافة الضبابية أو الضوضاء أثناء التدريب النموذج على تعلم التعامل مع ضبابية الحركة، أو الصور ذات الإضاءة المنخفضة، أو نتائج الكاميرا منخفضة الجودة، ليصبح أقل حساسية للمرئيات غير المثالية.
• زيادات قائمة على الإخفاء: في البيئات الحقيقية، غالبًا ما تكون الكائنات محجوبة جزئيًا بواسطة كائنات أخرى. يُشار إلى هذا باسم إخفاء الصور. يساعد إخفاء أو حجب مناطق صغيرة من الصورة أثناء التدريب النموذج في تعلم اكتشاف الكائنات حتى عندما يكون جزء منها فقط مرئيًا.
• زيادات متعددة الصور: تدمج هذه التقنيات أجزاءً من صور متعددة في مثال تدريب واحد، مما يمكن أن يزيد من عدد الكائنات المعروضة ويحسن قدرة النموذج على التعامل مع المشاهد المعقدة أو المزدحمة.

الشكل 3. مثال على تحسين متعدد الصور (المصدر)

أصبحت زيادة البيانات سهلة مع حزمة Python الخاصة بـ Ultralytics#

يمكن أن تؤدي إدارة مجموعات البيانات، وإنشاء تنوعات الصور، وكتابة كود التحويل إلى إضافة خطوات إضافية لبناء تطبيق رؤية حاسوبية. تساعد حزمة Ultralytics Python package في تبسيط ذلك من خلال توفير واجهة واحدة للتدريب، والتشغيل، ونشر نماذج Ultralytics YOLO مثل YOLO26. كجزء من هذا الجهد لتبسيط تدريب سير العمل، تتضمن الحزمة تحسينات بيانات مدمجة ومختبرة من Ultralytics ومحسنة لنماذج YOLO.

كما أنها تدعم عمليات التكامل المفيدة التي تُلغي الحاجة إلى أدوات منفصلة أو كود مخصص. على وجه التحديد، بالنسبة لتحسين البيانات، تتكامل الحزمة مع Albumentations، وهي مكتبة واسعة الاستخدام لتحسين الصور. يتيح هذا التكامل تطبيق التحسينات تلقائيًا أثناء التدريب، دون الحاجة إلى نصوص برمجية إضافية أو كود مخصص.

إدارة التعليقات التوضيحية ومجموعات البيانات الموسعة#

عامل آخر يؤثر على متانة النموذج هو جودة annotation. تساعد التسميات النظيفة والدقيقة، التي تم إنشاؤتها وإدارتها باستخدام أدوات التعليقات التوضيحية مثل Roboflow، النموذج على فهم مكان الكائنات وما تبدو عليه.

أثناء التدريب، يتم تطبيق زيادات البيانات مثل القلب، والقص، والتدوير ديناميكيًا، ويتم تعديل التعليقات التوضيحية تلقائيًا لتتناسب مع هذه التغييرات. عندما تكون التسميات دقيقة، تعمل هذه العملية بسلاسة وتوفر للنموذج العديد من الأمثلة الواقعية لنفس المشهد.

إذا كانت التعليقات التوضيحية غير دقيقة أو غير متسقة، فقد تنتهي هذه الأخطاء بالتكرار عبر الصور الموسعة، مما قد يجعل التدريب أقل فعالية. البدء بتعليقات توضيحية دقيقة يمنع انتشار هذه الأخطاء ويساهم في تحقيق متانة أفضل للنموذج.

تعزيز تطبيقات رؤية الذكاء الاصطناعي بزيادة البيانات#

بعد ذلك، دعونا نمر عبر أمثلة لكيفية مساهمة زيادة البيانات في متانة نموذج الذكاء الاصطناعي في تطبيقات العالم الحقيقي.

تعزيز دقة اكتشاف الكائنات في البيئات الحقيقية#

غالباً ما تُستخدم الصور الاصطناعية لتدريب أنظمة object detection عندما تكون البيانات الحقيقية محدودة أو حساسة أو يصعب جمعها. وهي تتيح للفرق إنشاء أمثلة بسرعة للمنتجات والبيئات وزوايا الكاميرا دون الحاجة إلى التقاط كل سيناريو في الواقع.

ومع ذلك، يمكن أن تبدو مجموعات البيانات الاصطناعية أحيانًا نظيفة جدًا مقارنة بلقطات العالم الحقيقي، حيث تتغير الإضاءة، وتتداخل الكائنات، وتتضمن المشاهد فوضى في الخلفية. تساعد زيادة البيانات في سد هذه الفجوة من خلال تقديم تنويعات واقعية، مثل الإضاءة المختلفة، أو الضوضاء، أو وضع الكائن، حتى يتعلم النموذج التعامل مع أنواع الظروف التي سيراها عند نشره.

على سبيل المثال، في دراسة حديثة، تم تدريب نموذج Ultralytics YOLO11 بالكامل على صور اصطناعية، وأُضيف تحسين البيانات لإدخال تباين إضافي. وقد لعب هذا دوراً في تعلم النموذج التعرف على الكائنات بشكل أكثر شمولاً. وقد أداءً جيداً عند اختباره على صور حقيقية، على الرغم من أنه لم يسبق له رؤية بيانات واقعية أثناء التدريب.

جعل حلول التصوير الطبي أكثر موثوقية#

غالبًا ما تكون مجموعات بيانات التصوير الطبي محدودة، ويمكن أن تختلف عمليات المسح نفسها بناءً على نوع المعدات، أو إعدادات التصوير، أو البيئة السريرية. يمكن أن تجعل الاختلافات في تشريح المريض، أو الزوايا، أو الإضاءة، أو الضوضاء البصرية من الصعب على نماذج الرؤية الحاسوبية تعلم أنماط تعمم بشكل جيد عبر المرضى والمستشفيات.

تساعد زيادة البيانات في معالجة ذلك من خلال إنشاء تنويعات متعددة لنفس المسح أثناء التدريب، مثل إضافة الضوضاء، أو تحريك الصورة قليلاً، أو تطبيق تشوهات صغيرة. تجعل هذه التغييرات بيانات التدريب تبدو أكثر تمثيلاً للظروف السريرية الحقيقية.

على سبيل المثال، في دراسة لـالتصوير الطبي للأطفال، استخدم الباحثون نموذج Ultralytics YOLO11 للتقسيم التشريحي وقاموا بتدريبه على بيانات طبية محسنة. لقد أدخلوا تنويعات مثل إضافة الضوضاء، والتحولات الطفيفة في الموضع، والتشوهات البسيطة لجعل الصور أكثر واقعية.

الشكل 4. الصور الطبية للأطفال الأصلية والمحسنة (المصدر)

من خلال التعلم من هذه التغيرات، ركز النموذج على السمات التشريحية الهامة بدلاً من الاختلافات على مستوى السطح. وهذا جعل نتائج تجزئته أكثر استقرارًا عبر عمليات المسح المختلفة وحالات المرضى.

أبرز النقاط#

يعد جمع بيانات متنوعة أمرًا صعبًا، ولكن زيادة البيانات تسمح للنماذج بالتعلم من مجموعة أوسع من الظروف البصرية. يؤدي هذا إلى متانة أقوى للنموذج عند التعامل مع الإخفاء، وتغيرات الإضاءة، والمشاهد المزدحمة. بشكل عام، يساعدهم هذا على الأداء بشكل أكثر موثوقية خارج بيئات التدريب الخاضعة للرقابة.

انضم إلى our community واستكشف أحدث ما في الذكاء الاصطناعي للرؤية على GitHub repository. تفضل بزيارة صفحات الحلول الخاصة بنا لمعرفة كيف تسهم تطبيقات مثل AI in manufacturing وcomputer vision in healthcare في دفع التقدم، واطلع على licensing options لتشغيل حل الذكاء الاصطناعي التالي الخاص بك.