الإدارة الذكية لمجموعات البيانات في الرؤية الحاسوبية باستخدام Ultralytics Platform

Vision AI, or computer vision, has come a long way since its early days, evolving from experimental research into a key technology powering real-world applications. Today, AI enthusiasts can build powerful models for tasks like object detection and instance segmentation using accessible tools and frameworks.

ومع ذلك، مع انتقال هذه التطبيقات من مرحلة التجريب إلى الإنتاج، يظل إدارة مجموعات البيانات تحديًا بالغ الأهمية وغالبًا ما يتم اغفاله. ومع نمو computer vision datasets في الحجم وتعقيدها، غالبًا ما تواجه الفرق صعوبة في الحفاظ على تعليقات توضيحية متسقة، وتتبع التغييرات عبر الإصدارات، وضمان الجودة العامة للبيانات.

حتى النماذج المتطورة يمكن أن يكون أداؤها ضعيفاً في بيئات العالم الحقيقي إذا كانت البيانات التي تدربت عليها غير مكتملة، أو غير متوازنة، أو سيئة الإدارة. وهذه الفجوة المتزايدة بين أداء التطوير والموثوقية في العالم الحقيقي هي السبب وراء الحاجة إلى نهج أكثر تنظيماً لإدارة مجموعات البيانات.

من القيود الشائعة الأخرى أن جمع البيانات، والتعليق التوضيحي، والتدريب غالباً ما يتم التعامل معها باستخدام أدوات منفصلة. إذ يجعل سير العمل المجزأ من الصعب إدارة مجموعات البيانات بكفاءة، ويزيد من مخاطر حدوث تناقضات، ويبطئ وتيرة العمل.

لحل اختناقات الذكاء الاصطناعي المرئية مثل إدارة مجموعات البيانات وتدفقات العمل المجزأة، أطلقنا مؤخرًا منصة Ultralytics Platform. إنها مساحة عمل متكاملة تجمع بين إدارة مجموعات البيانات والتعليقات التوضيحية والتدريب والنشر والمراقبة في تدفق عمل موحد واحد.

من خلال ربط كل مرحلة من مراحل دورة حياة الرؤية الحاسوبية، يصبح من الأسهل تتبع تغييرات مجموعة البيانات، ومقارنة الأداء عبر الإصدارات، وتحسين بياناتك باستمرار للحصول على نتائج أفضل.

Fig 1. An example of viewing your dataset images within Ultralytics Platform (Source)

في هذه المقالة، سنتعمق في كيفية مساعدتك منصة Ultralytics في تتبع مجموعات البيانات الخاصة بك ومقارنتها وتحسينها لبناء نماذج رؤية حاسوبية أكثر موثوقية. لنبدأ!

أهمية إدارة مجموعات البيانات في الرؤية الحاسوبية#

يرتبط أداء computer vision model ارتباطًا وثيقًا بالبيانات التي يتم تدريبه عليها. دقة النموذج، ومدى صحة التنبؤات، لا تعتمد فقط على الخوارزمية، بل تعتمد أيضًا على مدى تمثيل مجموعة البيانات لظروف العالم الحقيقي.

ببساطة، يتعلم النموذج الأنماط مباشرة من البيانات، لذا فإن أي ثغرات أو تحيزات أو تناقضات في مجموعة البيانات يمكن أن تؤثر على كيفية قيامه بالتنبؤات. بعبارة أخرى، البيانات منخفضة الجودة، أو التعليقات التوضيحية غير الصحيحة، أو التغطية المحدودة لتغيرات العالم الحقيقي في الصور - مثل ظروف الإضاءة المختلفة، أو زوايا الكائنات، أو الخلفيات، أو مستويات الانسداد - يمكن أن تقلل الدقة بشكل كبير، حتى لو كانت بنية النموذج نفسها قوية.

وينطبق هذا أيضاً عند ضبط النموذج (fine-tuning)، حيث يتم تدريب نموذج مدرب مسبقاً بشكل أكبر على بيانات جديدة أو محدثة ليتكيف بشكل أفضل مع حالة استخدام أو بيئة محددة. وبما أن دقة النموذج تعتمد بشكل كبير على البيانات، فإن إدارة تلك البيانات بشكل صحيح تصبح أمراً ضرورياً.

تشمل إدارة مجموعات البيانات تنظيم البيانات، ووضع العلامات عليها، وتحديثها باستمرار لتبقى دقيقة وذات صلة. وهذا يسهل تحسين الأداء بمرور الوقت، خاصة عند إعادة تدريب النماذج أو ضبطها على بيانات جديدة.

كيف تؤثر جودة مجموعة البيانات على الموثوقية في العالم الحقيقي#

تعتبر حالات استخدام الرؤية الحاسوبية، مثل security monitoring systems، مثالاً رائعًا على سبب حيوية الإدارة السليمة للبيانات. تحتاج هذه النظام إلى العمل بشكل موثوق عبر مجموعة من ظروف العالم الحقيقي، بما في ذلك بيئات الإضاءة المختلفة، زوايا الكاميرا، مستويات الازدحام، والانسدادات الجزئية.

إذا كانت بيانات التدريب لا تغطي هذه التغيرات أو تفتقر إلى التنوع في كيفية ظهور الكائنات عبر المشاهد والظروف المختلفة، فقد يجد النموذج صعوبة في اكتشاف الكائنات بدقة. على سبيل المثال، قد يكون أداء نموذج تم تدريبه في الغالب على مشاهد مضاءة جيداً وغير مزدحمة ضعيفاً في بيئات الإضاءة المنخفضة أو الإعدادات المزدحمة. وفي أنظمة الأمن، قد يؤدي هذا إلى ضياع أحداث أو إطلاق تنبيهات كاذبة.

لتجنب ذلك، من المهم الحفاظ على مجموعات بيانات ليست نظيفة ومعنونة بدقة فحسب، بل متوازنة ومحدثة باستمرار أيضاً. وهذا يعني تحديد الثغرات في البيانات، وإضافة أمثلة جديدة مع تغير الظروف، والتأكد من تمثيل الفئات والبيئات المختلفة بشكل متساوٍ.

مع وجود مجموعة بيانات أكثر اكتمالاً وتنظيماً، تصبح النماذج مجهزة بشكل أفضل للتعامل مع تغيرات العالم الحقيقي وإنتاج تنبؤات أكثر موثوقية.

الجوانب الرئيسية لإدارة مجموعات البيانات#

إذن، كيف تبدو إدارة مجموعات البيانات في الواقع؟ إنها تنطوي على تنظيم البيانات، ووضع العلامات عليها، وصيانتها بحيث يمكن استخدامها بفعالية طوال عملية تطوير النموذج.

تنظيم البيانات، على سبيل المثال، يشمل هيكلة مجموعة البيانات وتقسيمها إلى مجموعات تدريب (training)، وتحقق (validation)، واختبار (test). تُستخدم مجموعة التدريب لتعليم النموذج، وتُستخدم مجموعة التحقق لمراقبة الأداء وتوجيه التعديلات أثناء التطوير، وتُستخدم مجموعة الاختبار لتقييم مدى جودة أداء النموذج النهائي على بيانات غير مرئية تماماً.

في الوقت نفسه، يتضمن وضع العلامات إضافة تعليقات توضيحية للصور بتفاصيل مثل تسميات الفئات، أو مربعات الإحاطة (bounding boxes)، أو أقنعة التقسيم (segmentation masks). وبما أن النموذج يتعلم من هذه التعليقات التوضيحية، فإن الدقة والاتساق أمران حاسمان لمساعدته على تعلم أنماط ذات مغزى وإجراء تنبؤات موثوقة.

بالإضافة إلى ذلك، تتضمن صيانة مجموعة البيانات مراجعة البيانات وتحديثها بمرور الوقت. ويمكن أن يشمل ذلك إصلاح أخطاء التعليقات التوضيحية، وإزالة البيانات منخفضة الجودة أو المكررة، وإضافة أمثلة جديدة لتغطية الحالات المفقودة أو الظروف المتغيرة.

وبشكل أوسع، تعد إدارة مجموعات البيانات عملية مستمرة. فمع تقييم النماذج وجمع بيانات جديدة، يجب تحديث مجموعات البيانات لتعكس ظروف العالم الحقيقي والحالات الاستثنائية. ويساعد تتبع هذه التحديثات ومقارنة الإصدارات المختلفة الفرق على فهم ما الذي يحسن الأداء وأين تبرز الحاجة إلى إجراء تغييرات إضافية.

إدارة مجموعات البيانات باستخدام منصة Ultralytics#

توفر منصة Ultralytics سير عمل منظماً لإدارة مجموعات البيانات داخل بيئة واحدة، وتغطي كل شيء بدءاً من إعداد البيانات وحتى التصدير. وهي مصممة لدعم كل من المطورين الأفراد والفرق، مما يسهل إدارة مجموعات البيانات بشكل متسق، سواء كنت تعمل بشكل مستقل أو تتعاون عبر المشاريع.

تم تصميم كل مرحلة لتبسيط كيفية تنظيم مجموعات البيانات ومعالجتها واستخدامها طوال دورة حياة تطوير النموذج. ومن خلال جمع هذه الخطوات في مكان واحد، تقلل المنصة من التجزئة وتجعل الحفاظ على الاتساق عبر سير العمل أكثر وضوحاً.

بعد ذلك، دعونا نمر عبر الخطوات الرئيسية المعنية وكيف تدعم المنصة كلاً منها.

تحميل مجموعات البيانات إلى منصة Ultralytics#

البدء بمجموعات البيانات على المنصة مرن، مع طرق متعددة لإدخال البيانات أو إعادة استخدامها. يمكنك تحميل بياناتك الخاصة أو البدء بشكل أسرع باستخدام مجموعات البيانات العامة المتاحة عبر المنصة. يمكنك أيضاً استنساخ مجموعات البيانات الموجودة التي يشاركها المجتمع والبناء عليها.

تجعل ميزات المجتمع في المنصة من السهل استكشاف العمل الحالي وإعادة استخدامه. ومن خلال الوصول إلى مجموعات البيانات التي أنشأها مستخدمون آخرون، بما في ذلك ملايين الصور والتعليقات التوضيحية، يمكنك البدء بسرعة دون الحاجة إلى جمع كل شيء ووضع علامات عليه بنفسك. ويؤدي استنساخ مجموعة البيانات إلى إنشاء نسخة في مساحة العمل الخاصة بك، مما يسمح لك بتعديلها وتوسيعها مع الحفاظ على الأصل.

بالنسبة للتحميلات، تدعم المنصة الصور الفردية، ومقاطع الفيديو، وأرشيفات مجموعات البيانات مثل ملفات ZIP أو TAR أو GZ. كما أنها تدعم تنسيقات مجموعات البيانات المستخدمة على نطاق واسع مثل YOLO وCOCO، مما يجعل من السهل استيراد مجموعات البيانات والتعليقات التوضيحية الموجودة دون تحويل إضافي. بالإضافة إلى ذلك، يمكنك تحميل مجموعة بيانات باستخدام ملف NDJSON تم تصديره من المنصة، مما يجعل إعادة إنشاء مجموعات البيانات أو إعادة استخدامها عبر المشاريع أمراً سلساً.

بمجرد تحميل البيانات، تعالج المنصة البيانات عبر خط أنابيب (pipeline) منظم. ويشمل ذلك التحقق من تنسيقات الملفات وأحجامها، وتغيير حجم الصور عند الحاجة، وتحليل التعليقات التوضيحية، وإنشاء إحصائيات مجموعة البيانات.

على سبيل المثال، يتم تحويل مقاطع الفيديو إلى إطارات حتى يمكن استخدامها للتدريب، بينما يتم تحسين الصور وإعدادها لتسهيل التصفح والتحليل. بعد المعالجة، تصبح مجموعات البيانات جاهزة للاستخدام في التعليق التوضيحي، والتحليل، وتدريب النماذج داخل المنصة.

التعليق التوضيحي للبيانات على منصة Ultralytics#

بمجرد التحميل، يمكن مراجعة مجموعات البيانات وتعليقها مباشرة داخل المنصة. تتضمن المنصة أدوات image annotation مدمجة لمجموعة من مهام الرؤية الحاسوبية، مثل اكتشاف الكائنات، وتقسيم المثيلات، وتقدير الوضع، واكتشاف صندوق الإحاطة الموجه (OBB)، وتصنيف الصور.

الشكل 2. استخدام منصة Ultralytics Platform لتسمية البيانات (المصدر)

يمكن إنشاء التعليقات التوضيحية يدوياً باستخدام هذه الأدوات أو تسريعها باستخدام ميزات مدعومة بالذكاء الاصطناعي مثل التعليق التوضيحي الذكي المدعوم بـ SAM. وباستخدام SAM، يمكنك إنشاء أقنعة، أو مربعات إحاطة، أو مربعات موجهة عن طريق التفاعل مع الصورة، مما يساعد على تسريع عملية وضع العلامات مع الحفاظ على الدقة.

تحليل جودة مجموعة البيانات من خلال منصة Ultralytics#

بالإضافة إلى إعداد البيانات وإضافة تعليقات توضيحية عليها، يعد فهم جودة مجموعة البيانات أمراً ضرورياً لبناء نماذج رؤية حاسوبية موثوقة. فبدون رؤية واضحة لعوامل مثل توزيع الفئات، وجودة التعليقات التوضيحية، وتقسيمات مجموعة البيانات، وكيفية تمثيل البيانات عبر ظروف مختلفة، قد يكون من الصعب اكتشاف المشكلات التي تؤثر على أداء النموذج.

تتضمن منصة Ultralytics ميزات مدمجة للمساعدة في تحليل مجموعات البيانات بفعالية أكبر. تتوفر هذه الرؤى مباشرة داخل واجهة مجموعة البيانات، عبر علامات تبويب مثل الصور، والفئات، والمخططات.

في علامة تبويب المخططات، يمكنك عرض إحصائيات على مستوى مجموعة البيانات مثل توزيع التقسيم (التدريب، والتحقق، والاختبار)، وتكرار الفئات، وخرائط الحرارة للتعليقات التوضيحية التي تظهر مكان ظهور الكائنات داخل الصور.

توفر علامة تبويب الفئات تفصيلاً لأعداد التعليقات التوضيحية لكل فئة، مما يسهل اكتشاف عدم توازن الفئات. في الوقت نفسه، تعرض علامة تبويب الصور تفاصيل على مستوى الصورة مثل الأبعاد، وأعداد التعليقات التوضيحية، وكيفية توزيع التسميات عبر الصور الفردية.

تجعل هذه الرؤى من السهل تحديد مشكلات مثل عدم توازن الفئات، أو السيناريوهات المفقودة، أو التوزيع غير المتكافئ للبيانات. على سبيل المثال، قد تلاحظ أن بعض الفئات لديها القليل جداً من الأمثلة أو أن معظم التعليقات التوضيحية تتركز في مناطق معينة من الصورة.

بعيداً عن تحليل البيانات، تدعم المنصة تنسيق مجموعة البيانات وتعزيزها، وهو ما يعني تحسين مجموعات البيانات من خلال إصلاح البيانات الإشكالية أو إزالتها وإنشاء تنويعات من البيانات الحالية لتحسين أداء النموذج. ويمكن إجراء هذه التحسينات مباشرة داخل المنصة عن طريق تحديث التعليقات التوضيحية، أو إضافة بيانات جديدة، أو إعادة تنظيم تقسيمات مجموعة البيانات بناءً على رؤى التحليل.

تصدير مجموعات البيانات من منصة Ultralytics#

بمجرد إعداد مجموعة البيانات والتحقق من صحتها، يمكن تصديرها للاستخدام في بيئات مختلفة. يمنحك هذا المرونة لاستخدام بيانات computer vision data أينما تفضل، سواء كان ذلك لتدريب النماذج محليًا، أو في السحابة، أو في أدوات وتدفقات عمل أخرى.

تدعم منصة Ultralytics تنسيقات تصدير متعددة، بما في ذلك YOLO وCOCO وNDJSON، مما يسهل دمج مجموعات البيانات في سير عمل وأدوات تدريب مختلفة.

الشكل 3. تصدير مجموعة بيانات من منصة Ultralytics Platform (المصدر)

يؤدي تصدير مجموعة البيانات إلى إنشاء لقطة ثابتة (snapshot) للبيانات في لحظة زمنية محددة، بما في ذلك صورها، وتعليقاتها التوضيحية، وهيكلها. وهذا مفيد لأن مجموعات البيانات غالباً ما تتغير مع إضافة بيانات جديدة، أو تحديث التعليقات التوضيحية، أو تعديل التقسيمات. من خلال تصدير لقطة، يمكنك الحفاظ على النسخة الدقيقة من مجموعة البيانات المستخدمة لجولة تدريب معينة.

وهذا يجعل إعادة إنتاج النتائج لاحقاً أبسط، حيث يمكنك تدريب نموذج على نفس إعداد البيانات مرة أخرى، ومقارنة الأداء عبر إصدارات مختلفة من مجموعة البيانات. على سبيل المثال، يمكنك تقييم ما إذا كانت إضافة صور جديدة أو إصلاح التعليقات التوضيحية يحسن دقة النموذج فعلياً، بدلاً من تخمين ما تغير.

يتم التعامل مع عمليات التصدير بشكل غير متزامن، وبمجرد أن تصبح جاهزة، يمكن تنزيل مجموعات البيانات واستخدامها في بيئات التدريب المحلية أو السحابية أو غير المتصلة بالإنترنت.

تحسين جودة مجموعة البيانات من خلال التكرارات على منصة Ultralytics#

في سير عمل تعلم الآلة والتعلم العميق، تستمر إدارة مجموعات البيانات حتى بعد النشر لأن بيانات العالم الحقيقي غالباً ما تختلف عن البيانات المستخدمة أثناء التدريب.

مع مواجهة النماذج لمدخلات جديدة، تصبح الثغرات في مجموعة البيانات، مثل الظروف المفقودة كبيئات الإضاءة المنخفضة، أو زوايا الكاميرا المختلفة، أو الانسدادات، أو المشاهد المزدحمة، بالإضافة إلى أخطاء التعليقات التوضيحية، أكثر وضوحاً، مما يجعل من الضروري تحسين البيانات بمرور الوقت.

هناك عدة طرق لتحسين مجموعة البيانات. يمكنك إضافة صور أو مقاطع فيديو جديدة لتغطية الظروف المفقودة، مثل بيئات الإضاءة المنخفضة، أو زوايا الكاميرا المختلفة، أو الانسدادات، أو المشاهد المزدحمة، مما يساعد في تقليل النقاط العمياء في البيانات.

في الوقت نفسه، فإن ضمان دقة واتساق التعليقات التوضيحية، مثل الكائنات المعنونة بشكل صحيح ومربعات الإحاطة أو الأقنعة الدقيقة، يساعد النموذج على تعلم أنماط أكثر موثوقية.

يتبع هذا عادةً حلقة بسيطة: train the model، تقييم النتائج، وتحديد الأخطاء، وتحسين مجموعة البيانات، وإعادة التدريب. تساعد كل خطوة في تسليط الضوء على المشكلات مثل التعليقات التوضيحية غير الصحيحة، أو البيانات المفقودة، أو الحالات غير الممثلة بشكل كافٍ.

لنفترض أنك تعمل على نظام مراقبة رفوف البيع بالتجزئة في الوقت الفعلي المستخدم لاكتشاف المنتجات في المتاجر. قد لا تتضمن الإصدارات المبكرة من مجموعة البيانات أنواعاً معينة من المنتجات، أو ظروف الإضاءة، أو ترتيبات الرفوف المزدحمة. وأثناء التقييم، قد تلاحظ أن النموذج يجد صعوبة في اكتشاف العناصر في هذه المواقف.

لتحسين الأداء، يمكنك جمع صور جديدة تغطي هذه السيناريوهات المفقودة وتحديث التعليقات التوضيحية عند الحاجة. وبمرور الوقت، يساعد تكرار هذه العملية النموذج ليصبح أكثر دقة وموثوقية في ظروف العالم الحقيقي.

تدعم منصة Ultralytics سير العمل هذا من خلال ربط تحديثات مجموعة البيانات بالتدريب والتقييم. ومع تتبع التجارب ومقاييس الأداء المدمجة، يصبح من الأسهل مراقبة التقدم وتحسين مجموعات البيانات باستمرار بمرور الوقت.

تتبع تغييرات مجموعة البيانات باستخدام منصة Ultralytics#

لقد ناقشنا بإيجاز كيف تتطور مجموعات البيانات بمرور الوقت كجزء من عملية تطوير النموذج. ومع إضافة بيانات جديدة، وتطوير التعليقات التوضيحية، وتحديث الفئات، يصبح تتبع هذه التغييرات أمراً أساسياً للحفاظ على جودة البيانات وضمان أداء متسق للنموذج.

إليك بعض ميزات منصة Ultralytics الرئيسية التي تدعم تتبع مجموعات البيانات والتحكم في الإصدارات:

• إصدار مجموعة البيانات (Dataset versioning): يمكنك إنشاء إصدارات ثابتة لمجموعة البيانات كلقطات NDJSON. يلتقط كل إصدار تفاصيل رئيسية مثل عدد الصور، وعدد الفئات، وعدد التعليقات التوضيحية، وحجم مجموعة البيانات في لحظة زمنية محددة. يتم تخزين هذه الإصدارات ويمكن تنزيلها لاحقاً، مما يسهل إعادة إنتاج التجارب ومقارنة النتائج عبر حالات مختلفة لمجموعة البيانات.
• علامة تبويب الإصدارات (Versions tab): يتم تنظيم جميع إصدارات مجموعة البيانات في علامة تبويب الإصدارات، حيث يمكنك عرض تاريخ الإصدار، وإضافة أوصاف للتغييرات، وتتبع كيفية تطور مجموعة البيانات بمرور الوقت.
• الربط مع النماذج: تُظهر علامة تبويب النماذج جميع النماذج التي تم تدريبها على مجموعة بيانات، بما في ذلك مقاييس مثل mAP وتفاصيل التدريب. يتم ربط إصدارات مجموعة البيانات بجولات التدريب، مما يساعدك على فهم كيفية تأثير التغييرات في البيانات على أداء النموذج.
• علامة تبويب الأخطاء: تسلط علامة تبويب الأخطاء الضوء على الملفات التي فشلت أثناء المعالجة، إلى جانب تفاصيل الخطأ والاقتراحات. يتيح لك ذلك تحديد المشكلات مثل الملفات التالفة أو التنسيقات غير المدعومة وإصلاحها قبل التدريب.
• واجهة مجموعة البيانات (علامات تبويب الصور والفئات): تتيح لك طرق العرض هذه تصفح الصور، ومراجعة التعليقات التوضيحية، وإدارة تسميات الفئات، وتحليل توزيع الفئات. كما تجعل ميزات مثل التصفية، والفرز، وتحديد الصور غير المعنونة من السهل مراقبة جودة مجموعة البيانات بمرور الوقت.
• الإحصائيات والمخططات: تساعد تصورات البيانات المدمجة، مثل توزيع التقسيم، وتكرار الفئات، وخرائط الحرارة للتعليقات التوضيحية، في تتبع التغييرات في توزيع البيانات وتحديد الاختلالات مع تطور مجموعة البيانات.

الشكل 4. نظرة على تحليل توزيع فئات مجموعة البيانات على منصة Ultralytics Platform (المصدر)

ربط مجموعات البيانات بالتدريب والنشر داخل منصة Ultralytics#

تربط منصة Ultralytics مراحل مختلفة من تطوير نماذج الذكاء الاصطناعي في خط أنابيب واحد. وهذا يبسط عملية الانتقال من البيانات الخام إلى تطبيقات الرؤية الحاسوبية الجاهزة للإنتاج.

بمجرد إعداد مجموعات البيانات وتعليقها، يمكن استخدامها لتدريب نماذج الرؤية الحاسوبية، مثل Ultralytics YOLO26، مباشرة داخل المنصة. أثناء التدريب، يمكنك مراقبة مقاييس الأداء، وتتبع التجارب، وتقييم مدى تعلم النموذج باستخدام لوحات المعلومات المدمجة.

الشكل 5. لمحة عن عرض مقاييس تدريب النموذج على منصة Ultralytics Platform (المصدر)

بعد التدريب، يمكن اختبار النماذج على صور جديدة مباشرة في المتصفح لتقييم التنبؤات وتحديد مجالات التحسين قبل النشر. وعندما يعمل النموذج بشكل جيد، يمكن نشره في الإنتاج.

تدعم المنصة تصدير النماذج إلى تنسيقات متعددة أو نشرها من خلال خدمات الاستدلال (inference) ونقاط النهاية المخصصة، مما يسمح لها بالعمل عبر بيئات مختلفة.

بمجرد النشر، تساعد أدوات المراقبة المدمجة في تتبع أداء النظام بمرور الوقت، بما في ذلك المقاييس المتعلقة بالاستخدام وسلوك النموذج. وهذا يجعل صيانة أنظمة الرؤية الحاسوبية وتحسينها في تطبيقات العالم الحقيقي أكثر وضوحاً.

أفضل الممارسات لإدارة مجموعات البيانات باستخدام منصة Ultralytics#

إليك بعض العوامل الرئيسية التي يجب وضعها في الاعتبار عند إدارة مجموعات البيانات الخاصة بك باستخدام منصة Ultralytics:

• استخدم المرشحات (filters) للعثور على الثغرات: حدد البيانات غير المعنونة أو الممثلة تمثيلاً ناقصاً باستخدام أدوات التصفية، مما يجعل إكمال التعليقات التوضيحية وتحسين التغطية أكثر سلاسة.
• أصلح الأخطاء مبكراً: استخدم علامة تبويب الأخطاء لمراقبة الجودة لاكتشاف التحميلات الفاشلة، أو الملفات التالفة، أو التنسيقات غير المدعومة قبل التدريب.
• حدث مجموعات البيانات باستمرار: أضف بيانات جديدة، وأصلح التعليقات التوضيحية، وقم بتضمين الحالات الاستثنائية فور ظهورها. يساعد هذا في تحسين التغطية ويضمن أداء النماذج بشكل موثوق في سيناريوهات العالم الحقيقي.
• أدر تقسيمات مجموعة البيانات بعناية: تأكد من وجود توازن جيد بين مجموعات التدريب، والتحقق، والاختبار. يمكنك إعادة تنظيم التقسيمات يدوياً أو استخدام إعادة التوزيع التلقائي عند الحاجة.

لمعرفة المزيد حول منصة Ultralytics Platform، تحقق من Ultralytics documentation الرسمية.

أبرز النقاط#

مع توسع مشاريع الرؤية الحاسوبية، تصبح إدارة مجموعات البيانات بفعالية ذات أهمية لا تقل عن أهمية تطوير النموذج. يساعد النهج المنظم لإدارة مجموعات البيانات في تحسين جودة البيانات، وتبسيط سير العمل، ودعم أداء أفضل للنموذج بمرور الوقت.

تعمل منصة Ultralytics على تبسيط هذه العملية من خلال جمع إدارة مجموعات البيانات، والتدريب، والنشر في سير عمل واحد. ومن خلال اعتماد نهج منظم لإدارة مجموعات البيانات، يمكن للفرق تقليل التعقيد، وتحسين الكفاءة، وبناء أنظمة رؤية حاسوبية أكثر قابلية للتوسع والاعتماد عليها.

انضم إلى community المتنامية لدينا واستكشف مستودع GitHub repository الخاص بنا لموارد الذكاء الاصطناعي. للبناء باستخدام رؤية الذكاء الاصطناعي اليوم، راجع خيارات licensing options الخاصة بنا. وتعرف على كيف تحول AI in agriculture الزراعة وكيف يشكل vision AI in healthcare المستقبل من خلال زيارة صفحات الحلول الخاصة بنا.