حسّن متانة نماذج الذكاء الاصطناعي باستخدام زيادة البيانات

يُعد الاختبار جزءًا أساسيًا من بناء أي حل تقني. فهو يوضح للفرق كيفية عمل النظام فعليًا قبل إطلاقه، ويتيح لها إصلاح المشكلات مبكرًا. وينطبق ذلك على العديد من المجالات، بما فيها الذكاء الاصطناعي، حيث يُتوقع من النماذج التعامل مع ظروف العالم الحقيقي غير المتوقعة بعد نشرها.

فعلى سبيل المثال، تُعد الرؤية الحاسوبية فرعًا من الذكاء الاصطناعي يعلّم الآلات فهم الصور ومقاطع الفيديو. وتدعم نماذج الرؤية الحاسوبية مثل Ultralytics YOLO26 مهامًا كاكتشاف الأجسام وتجزئة الكائنات وتصنيف الصور.

يمكن استخدامها في قطاعات عديدة لتطبيقات مثل مراقبة المرضى وتحليل حركة المرور والدفع الآلي وفحص الجودة في التصنيع. ومع ذلك، حتى مع النماذج المتقدمة وبيانات التدريب عالية الجودة، قد تواجه حلول الذكاء الاصطناعي للرؤية صعوبات عند مواجهة اختلافات العالم الحقيقي، مثل تغير الإضاءة أو الحركة أو حجب الأجسام جزئيًا.

يحدث ذلك لأن النماذج تتعلم من الأمثلة التي تُعطى لها أثناء التدريب. فإذا لم ترَ ظروفًا مثل الوهج أو ضبابية الحركة أو الرؤية الجزئية من قبل، فمن غير المرجح أن تتعرف على الأجسام على نحو صحيح في تلك السيناريوهات.

تتمثل إحدى طرق تحسين متانة النموذج في زيادة البيانات. فبدلًا من جمع كميات كبيرة من البيانات الجديدة، يستطيع المهندسون إدخال تغييرات صغيرة وهادفة على الصور الموجودة، مثل ضبط الإضاءة أو الاقتصاص أو مزج الصور. ويساعد ذلك النموذج على تعلّم التعرّف على الأجسام نفسها في نطاق أوسع من الظروف.

في هذه المقالة، سنستكشف كيف تعزز زيادة البيانات متانة النماذج وموثوقية أنظمة الذكاء الاصطناعي للرؤية عند نشرها خارج البيئات الخاضعة للتحكم. لنبدأ!

كيفية التحقق من متانة النموذج#

قبل أن نتعمق في زيادة البيانات، دعونا نناقش كيفية التحقق مما إذا كان نموذج الرؤية الحاسوبية جاهزًا فعلًا للاستخدام في العالم الحقيقي.

يواصل النموذج المتين أداءه الجيد حتى عند تغير الظروف، بدلًا من أن يقتصر عمله على الصور الواضحة والموسومة بدقة. وفيما يلي عوامل عملية ينبغي مراعاتها عند تقييم متانة نماذج الذكاء الاصطناعي:

• تغيرات الإضاءة: قد يتغير أداء النماذج عند تعرضها للضوء الساطع أو الخافت أو الوهج أو الظلال، ما قد يؤثر في مدى ثقتها عند اكتشاف الأجسام.
• الحجب الجزئي: غالبًا ما تحجب عناصر أخرى الأجسام في المشاهد اليومية، أو لا تظهر إلا جزئيًا. ويستطيع النموذج الأكثر متانة التعرّف عليها حتى عند نقص المعلومات المرئية.
• المشاهد المزدحمة: قد تجعل البيئات التي تضم أجسامًا كثيرة ومتداخلة عملية الكشف أكثر صعوبة. وعادةً ما تكون النماذج التي تؤدي أداءً جيدًا في هذه الحالات أكثر موثوقية في البيئات المعقدة.

لا تضمن النتائج الجيدة على الصور الواضحة والمُلتقطة بعناية أداءً قويًا في العالم الحقيقي. ويساعد الاختبار المنتظم في ظروف متنوعة على إظهار مدى قدرة النموذج على الصمود بعد نشره.

ما زيادة البيانات؟#

قد يتغير مظهر الجسم في الصورة تبعًا للإضاءة أو الزاوية أو المسافة أو الخلفية. وعند تدريب نموذج للرؤية الحاسوبية، ينبغي أن تتضمن مجموعة البيانات التي يتعلم منها هذا النوع من التنوع، حتى يؤدي أداءً جيدًا في البيئات غير المتوقعة.

توسّع زيادة البيانات مجموعة بيانات التدريب بإنشاء أمثلة إضافية انطلاقًا من الصور المتاحة لديك. ويتم ذلك بإجراء تغييرات مقصودة، مثل تدوير الصورة أو قلبها، أو ضبط السطوع، أو اقتصاص جزء منها.

على سبيل المثال، تخيل أن لديك صورة واحدة لقطة. إذا أدرت الصورة أو غيّرت سطوعها، يمكنك إنشاء عدة نسخ جديدة انطلاقًا من تلك الصورة الواحدة. سيبدو كل إصدار مختلفًا قليلًا، لكنه سيظل صورة للقطة نفسها. وتساعد هذه الاختلافات على تعليم النموذج أن مظهر الجسم قد يتغير مع بقائه الجسم نفسه.

الشكل 1. نظرة على زيادة بيانات صورة لقطة (المصدر)

كيف تحسّن زيادة البيانات أداء النموذج#

أثناء تدريب النموذج، يمكن دمج زيادة البيانات مباشرةً في مسار التدريب. وبدلًا من إنشاء نسخ جديدة من الصور وتخزينها يدويًا، يمكن تطبيق تحويلات عشوائية عند تحميل كل صورة.

وهذا يعني أن النموذج يرى إصدارًا مختلفًا قليلًا من الصورة في كل مرة، سواء بدا أكثر سطوعًا أو كان مقلوبًا أو محجوبًا جزئيًا. ويمكن لتقنيات مثل المحو العشوائي إزالة مناطق صغيرة من الصورة لمحاكاة مواقف العالم الحقيقي التي يُحجب فيها جسم أو لا يظهر إلا جزئيًا.

الشكل 2. أمثلة على التعزيز القائم على المحو العشوائي (المصدر)

تتيح رؤية نسخ مختلفة كثيرة من الصورة نفسها للنموذج أن يتعلم السمات المهمة بدلًا من الاعتماد على مثال مثالي واحد. ويسهم هذا التنوع في تعزيز متانة نموذج الذكاء الاصطناعي، ليعمل بموثوقية أكبر في ظروف العالم الحقيقي.

تقنيات شائعة لتعزيز البيانات#

إليك بعض تقنيات زيادة البيانات المستخدمة لإضافة التنوع إلى صور التدريب:

• التحويلات الهندسية: تغيّر هذه التقنيات الموضع المكاني لظهور عنصر داخل الصورة. ويتيح تدوير الصورة أو قلبها أو تغيير حجمها أو اقتصاصها أو إزاحتها للنموذج فهم كيفية ظهور العنصر من زوايا أو مسافات مختلفة.
• تعديلات الألوان والإضاءة: نادرًا ما تكون الإضاءة في العالم الحقيقي ثابتة. فقد تكون الصور شديدة السطوع أو شديدة الظلمة أو تختلف ألوانها قليلًا، بحسب البيئة أو الكاميرا المستخدمة. ويتيح ضبط السطوع والتباين وتدرج اللون والتشبع للنماذج التعامل مع هذه التغييرات البصرية والأداء الجيد في مشاهد مختلفة.
• تغييرات جودة الصورة: قد يؤدي التمويه أو التشويش البصري إلى عدم وضوح الصور. وتساعد إضافة التمويه أو التشويش أثناء التدريب النموذج على التعامل مع ضبابية الحركة أو الصور الملتقطة في إضاءة خافتة أو النتائج الأقل جودة للكاميرات، ما يقلل حساسيته للصور غير المثالية.
• تعزيزات قائمة على الحجب: في البيئات الواقعية، غالبًا ما تحجب كائنات أخرى أجزاءً من الكائنات. ويُشار إلى ذلك باسم الحجب. ويساعد إخفاء مناطق صغيرة من الصورة أو حجبها أثناء التدريب النموذج على تعلم اكتشاف الكائنات حتى عندما لا يظهر منها سوى جزء.
• تعزيزات متعددة الصور: تجمع هذه التقنيات أجزاءً من صور متعددة في مثال تدريبي واحد، ما قد يزيد عدد الأجسام الظاهرة ويحسن قدرة النموذج على التعامل مع المشاهد المعقدة أو المزدحمة.

الشكل 3. مثال على التعزيز متعدد الصور (المصدر)

تعزيز البيانات بسهولة باستخدام حزمة Ultralytics Python#

قد تضيف إدارة مجموعات البيانات وإنشاء تنويعات للصور وكتابة شيفرة التحويلات خطوات إضافية إلى بناء تطبيق للرؤية الحاسوبية. وتساعد حزمة Ultralytics Python على تبسيط ذلك من خلال توفير واجهة موحدة لتدريب نماذج Ultralytics YOLO، مثل YOLO26، وتشغيلها ونشرها. وفي إطار الجهود الرامية إلى تبسيط مسارات عمل التدريب، تتضمن الحزمة تعزيزًا مدمجًا للبيانات اختبرته Ultralytics وحسّنته لنماذج YOLO.

كما تدعم الحزمة عمليات تكامل مفيدة تلغي الحاجة إلى أدوات منفصلة أو شيفرة مخصصة. وعلى وجه التحديد، تتكامل الحزمة لأغراض تعزيز البيانات مع Albumentations، وهي مكتبة واسعة الاستخدام لتعزيز الصور. ويتيح هذا التكامل تطبيق التعزيزات تلقائيًا أثناء التدريب، دون الحاجة إلى نصوص برمجية إضافية أو شيفرة مخصصة.

إدارة التعليقات التوضيحية ومجموعات البيانات المعززة#

ومن العوامل الأخرى المؤثرة في متانة النموذج جودة التوسيم. إذ تساعد التسميات الدقيقة والواضحة، التي تُنشأ وتُدار باستخدام أدوات التوسيم مثل Ultralytics Platform أو Roboflow، النموذج على فهم مواقع الكائنات ومظهرها.

أثناء التدريب، تُطبّق تعزيزات البيانات مثل القلب والاقتصاص والتدوير ديناميكيًا، وتُعدّل التعليقات التوضيحية تلقائيًا لتتوافق مع هذه التغييرات. وعندما تكون الوسوم دقيقة، تسير هذه العملية بسلاسة وتوفر للنموذج أمثلة واقعية كثيرة للمشهد نفسه.

إذا كانت التعليقات التوضيحية غير دقيقة أو غير متسقة، فقد تتكرر هذه الأخطاء في الصور المعززة، ما قد يقلل فاعلية التدريب. ويحول البدء بتعليقات توضيحية دقيقة دون انتشار هذه الأخطاء ويسهم في تحسين متانة النموذج.

تعزيز تطبيقات الذكاء الاصطناعي للرؤية باستخدام تعزيز البيانات#

لنستعرض بعد ذلك أمثلة على إسهام تعزيز البيانات في متانة نماذج الذكاء الاصطناعي ضمن تطبيقات العالم الحقيقي.

تحسين دقة اكتشاف الأجسام في البيئات الواقعية#

غالبًا ما تُستخدم الصور الاصطناعية لتدريب أنظمة اكتشاف الأجسام عندما تكون البيانات الواقعية محدودة أو حساسة أو يصعب جمعها. وتتيح للفرق إنشاء أمثلة للمنتجات والبيئات وزوايا الكاميرا بسرعة، دون الحاجة إلى التقاط صور لكل سيناريو في الواقع.

لكن مجموعات البيانات الاصطناعية قد تبدو أحيانًا أنقى مما ينبغي مقارنةً بمقاطع العالم الحقيقي، حيث تتغير الإضاءة وتتداخل الأجسام وتضم المشاهد عناصر مشتتة في الخلفية. ويساعد تعزيز البيانات على سد هذه الفجوة من خلال إدخال تنويعات واقعية، مثل اختلاف الإضاءة أو التشويش أو مواضع الأجسام، ليتعلم النموذج التعامل مع الظروف التي سيواجهها عند نشره.

على سبيل المثال، دُرّب نموذج Ultralytics YOLO11 في دراسة حديثة بالكامل على صور اصطناعية، وأُضيفت زيادة البيانات لإدخال مزيد من التنوع. وأسهم ذلك في تعلّم النموذج التعرّف على الكائنات على نطاق أوسع. وقد حقق أداءً جيدًا عند اختباره على صور حقيقية، رغم أنه لم يرَ بيانات من العالم الحقيقي أثناء التدريب.

جعل حلول التصوير الطبي أكثر موثوقية#

غالبًا ما تكون مجموعات بيانات التصوير الطبي محدودة، كما قد تختلف الصور نفسها بحسب نوع المعدات أو إعدادات التصوير أو البيئة السريرية. وقد تجعل الاختلافات في تشريح المرضى أو الزوايا أو الإضاءة أو التشويش البصري من الصعب على نماذج الرؤية الحاسوبية تعلم أنماط قابلة للتعميم على المرضى والمستشفيات المختلفة.

يساعد تعزيز البيانات على معالجة ذلك بإنشاء تنويعات متعددة للصورة نفسها أثناء التدريب، مثل إضافة التشويش أو إزاحة الصورة قليلًا أو تطبيق تشوهات طفيفة. وتجعل هذه التغييرات بيانات التدريب أكثر تمثيلًا للظروف السريرية الواقعية.

فعلى سبيل المثال، استخدم الباحثون في دراسة عن التصوير الطبي للأطفال نموذج Ultralytics YOLO11 لتقسيم البنى التشريحية، ودربوه على بيانات طبية معززة. وأدخلوا تنويعات مثل إضافة التشويش وإزاحات طفيفة في المواضع وتشوهات بسيطة لجعل الصور أكثر واقعية.

الشكل 4. صور طبية أصلية ومعززة للأطفال (المصدر)

من خلال التعلم من هذه التنويعات، ركّز النموذج على السمات التشريحية المهمة بدلًا من الاختلافات السطحية. وجعل ذلك نتائج التقسيم أكثر استقرارًا عبر الصور وحالات المرضى المختلفة.

أبرز النقاط#

يصعب جمع بيانات متنوعة، لكن تعزيز البيانات يتيح للنماذج التعلم من نطاق أوسع من الظروف البصرية. وينتج عن ذلك متانة أكبر للنموذج عند التعامل مع الحجب وتغيرات الإضاءة والمشاهد المزدحمة. وبوجه عام، يساعد هذا النماذج على العمل بموثوقية أكبر خارج بيئات التدريب المضبوطة.

انضم إلى مجتمعنا واستكشف أحدث ما في ذكاء الرؤية الاصطناعي عبر مستودع GitHub. تفضل بزيارة صفحات حلولنا لمعرفة كيف تسهم تطبيقات مثل الذكاء الاصطناعي في التصنيع والرؤية الحاسوبية في الرعاية الصحية في دفع عجلة التقدم، واطّلع على خيارات الترخيص لدعم حل الذكاء الاصطناعي التالي الذي تطوره.