إدارة ذكية لمجموعات البيانات في الرؤية الحاسوبية باستخدام Ultralytics Platform

لقد قطعت الرؤية بالذكاء الاصطناعي، أو الرؤية الحاسوبية، شوطًا طويلًا منذ بداياتها، إذ تطورت من أبحاث تجريبية إلى تقنية أساسية تدعم تطبيقات العالم الحقيقي. واليوم، يستطيع عشاق الذكاء الاصطناعي بناء نماذج قوية لمهام مثل اكتشاف الأجسام وتقسيم الكائنات باستخدام أدوات وأطر عمل متاحة للجميع.

ومع ذلك، بينما تنتقل هذه التطبيقات من التجريب إلى الإنتاج، تظل إدارة مجموعات البيانات تحديًا بالغ الأهمية وغالبًا ما يُغفل. ومع ازدياد حجم مجموعات بيانات الرؤية الحاسوبية وتعقيدها، تواجه الفرق صعوبة في الحفاظ على اتساق التعليقات التوضيحية، وتتبع التغييرات عبر الإصدارات، وضمان جودة البيانات إجمالًا.

حتى النماذج المتقدمة للغاية قد يكون أداؤها ضعيفًا في بيئات العالم الحقيقي إذا كانت البيانات التي تدربت عليها ناقصة أو غير متوازنة أو سيئة الإدارة. وتوضح هذه الفجوة المتزايدة بين أداء التطوير والموثوقية في العالم الحقيقي الحاجة إلى نهج أكثر تنظيمًا لإدارة مجموعات البيانات.

ومن القيود الشائعة الأخرى أن جمع البيانات والتعليق التوضيحي والتدريب غالبًا ما تُجرى باستخدام أدوات منفصلة. ويجعل سير العمل المجزأ إدارة مجموعات البيانات بكفاءة أكثر صعوبة، ويزيد خطر عدم الاتساق، ويبطئ عمليات التكرار.

لحل اختناقات الرؤية بالذكاء الاصطناعي، مثل إدارة مجموعات البيانات وسير العمل المجزأ، أطلقنا مؤخرًا Ultralytics Platform. وهي مساحة عمل متكاملة من البداية إلى النهاية تجمع إدارة مجموعات البيانات والتعليق التوضيحي والتدريب والنشر والمراقبة في سير عمل موحد واحد.

ومن خلال ربط كل مرحلة من دورة حياة الرؤية الحاسوبية، تصبح عملية تتبع تغييرات مجموعة البيانات، ومقارنة الأداء عبر الإصدارات، وتحسين بياناتك باستمرار للحصول على نتائج أفضل أسهل.

الشكل 1. مثال على عرض صور مجموعة البيانات داخل Ultralytics Platform (المصدر)

في هذه المقالة، سنتعمق في كيفية مساعدة Ultralytics Platform لك على تتبع مجموعات بياناتك ومقارنتها وتحسينها لبناء نماذج رؤية حاسوبية أكثر موثوقية. لنبدأ!

أهمية إدارة مجموعات البيانات في الرؤية الحاسوبية#

يرتبط أداء نموذج الرؤية الحاسوبية ارتباطًا وثيقًا بالبيانات التي تدرب عليها. وتعتمد دقة النموذج، أي مدى صحة تنبؤاته، ليس على الخوارزمية فحسب، بل أيضًا على مدى تمثيل مجموعة البيانات لظروف العالم الحقيقي.

بعبارة بسيطة، يتعلم النموذج الأنماط مباشرة من البيانات، ولذلك يمكن لأي فجوات أو تحيزات أو حالات عدم اتساق في مجموعة البيانات أن تؤثر في طريقة إجرائه للتنبؤات. وبعبارة أخرى، يمكن للبيانات منخفضة الجودة، أو التعليقات التوضيحية غير الصحيحة، أو التغطية المحدودة للتنوعات الواقعية في الصور، مثل ظروف الإضاءة المختلفة وزوايا الأجسام والخلفيات أو مستويات الحجب، أن تقلل الدقة بدرجة كبيرة، حتى إذا كانت بنية النموذج نفسها قوية.

وينطبق ذلك أيضًا عند الضبط الدقيق للنموذج، حيث يُدرَّب نموذج مدرَّب مسبقًا مرة أخرى على بيانات جديدة أو محدثة ليتكيف بصورة أفضل مع حالة استخدام أو بيئة محددة. وبما أن دقة النموذج تعتمد بدرجة كبيرة على البيانات، تصبح إدارة هذه البيانات بطريقة صحيحة أمرًا أساسيًا.

تشمل إدارة مجموعات البيانات تنظيم البيانات ووضع تسميات لها وتحديثها باستمرار حتى تظل دقيقة وملائمة. ويسهّل ذلك تحسين الأداء بمرور الوقت، ولا سيما عند إعادة تدريب النماذج أو ضبطها دقيقًا على بيانات جديدة.

تأثير جودة مجموعة البيانات في الموثوقية في العالم الحقيقي#

تُعد حالات استخدام الرؤية الحاسوبية، مثل أنظمة المراقبة الأمنية، مثالًا رائعًا على أهمية الإدارة السليمة للبيانات. إذ تحتاج هذه الأنظمة إلى العمل بموثوقية ضمن مجموعة من ظروف العالم الحقيقي، بما في ذلك بيئات الإضاءة المختلفة، وزوايا الكاميرا، ومستويات الازدحام، والحجب الجزئي.

إذا لم تغطِّ بيانات التدريب هذه التنوعات أو تفتقر إلى التنوع في كيفية ظهور الأجسام عبر المشاهد والظروف المختلفة، فقد يواجه النموذج صعوبة في اكتشاف الأجسام بدقة. فعلى سبيل المثال، قد يكون أداء نموذج تدرب غالبًا على مشاهد جيدة الإضاءة وخالية من الفوضى ضعيفًا في البيئات منخفضة الإضاءة أو الأماكن المزدحمة. وقد يؤدي ذلك في الأنظمة الأمنية إلى تفويت أحداث أو إطلاق تنبيهات زائفة.

ولتجنب ذلك، من المهم الحفاظ على مجموعات بيانات لا تكون نظيفة وموسومة بدقة فحسب، بل متوازنة جيدًا ومحدثة باستمرار أيضًا. ويعني ذلك تحديد الفجوات في البيانات، وإضافة أمثلة جديدة مع تغير الظروف، والتأكد من تمثيل الفئات والبيئات المختلفة بالتساوي.

وباستخدام مجموعة بيانات أكثر اكتمالًا وتنظيمًا، تصبح النماذج أكثر قدرة على التعامل مع التباين في العالم الحقيقي وإنتاج تنبؤات أكثر موثوقية.

الجوانب الأساسية لإدارة مجموعات البيانات#

إذًا، كيف تبدو إدارة مجموعات البيانات عمليًا؟ إنها تشمل تنظيم البيانات ووضع التسميات لها وصيانتها بحيث يمكن استخدامها بفاعلية طوال عملية تطوير النموذج.

يشمل تنظيم البيانات، على سبيل المثال، هيكلة مجموعة البيانات وتقسيمها إلى مجموعات تدريب وتحقق واختبار. وتُستخدم مجموعة التدريب لتعليم النموذج، بينما تُستخدم مجموعة التحقق لمراقبة الأداء وتوجيه التعديلات أثناء التطوير، وتُستخدم مجموعة الاختبار لتقييم مدى أداء النموذج النهائي على بيانات لم يرها من قبل تمامًا.

أما وضع التسميات، فيشمل إضافة تعليقات توضيحية إلى الصور تتضمن تفاصيل مثل تسميات الفئات أو مربعات الإحاطة أو أقنعة التقسيم. وبما أن النموذج يتعلم من هذه التعليقات التوضيحية، فإن الدقة والاتساق أمران بالغا الأهمية لمساعدته على تعلم أنماط مفيدة وإجراء تنبؤات موثوقة.

إضافة إلى ذلك، تشمل صيانة مجموعة البيانات مراجعة البيانات وتحديثها بمرور الوقت. وقد يتضمن ذلك تصحيح أخطاء التعليقات التوضيحية، وإزالة البيانات منخفضة الجودة أو المكررة، وإضافة أمثلة جديدة لتغطية الحالات المفقودة أو الظروف المتغيرة.

وعلى نطاق أوسع، تُعد إدارة مجموعات البيانات عملية مستمرة. فمع تقييم النماذج وجمع بيانات جديدة، يجب تحديث مجموعات البيانات لتعكس ظروف العالم الحقيقي والحالات الحدية. ويساعد تتبع هذه التحديثات ومقارنة الإصدارات المختلفة الفرقَ على فهم ما يحسن الأداء والمجالات التي تحتاج إلى مزيد من التغييرات.

إدارة مجموعات البيانات باستخدام Ultralytics Platform#

يوفر Ultralytics Platform سير عمل منظمًا لإدارة مجموعات البيانات ضمن بيئة واحدة، بدءًا من إعداد البيانات ووصولًا إلى التصدير. وقد صُمم لدعم المطورين الأفراد والفرق على حد سواء، مما يسهل إدارة مجموعات البيانات باستمرار، سواء كنت تعمل بشكل مستقل أو تتعاون عبر مشاريع متعددة.

صُممت كل مرحلة لتبسيط طريقة تنظيم مجموعات البيانات ومعالجتها واستخدامها طوال دورة حياة تطوير النموذج. ومن خلال جمع هذه الخطوات في مكان واحد، تقلل المنصة التجزؤ وتجعل الحفاظ على الاتساق عبر عمليات سير العمل أسهل.

والآن، دعونا نستعرض الخطوات الأساسية المعنية وكيف تدعم المنصة كلًا منها.

تحميل مجموعات البيانات إلى Ultralytics Platform#

يتميز بدء العمل على مجموعات البيانات في المنصة بالمرونة، إذ توجد طرق متعددة لإدخال البيانات أو إعادة استخدامها. يمكنك تحميل بياناتك الخاصة أو البدء بسرعة أكبر باستخدام مجموعات البيانات العامة المتاحة عبر المنصة. كما يمكنك استنساخ مجموعات البيانات الحالية التي يشاركها المجتمع والبناء عليها.

تجعل ميزات المجتمع في المنصة استكشاف الأعمال الحالية وإعادة استخدامها أمرًا سهلًا. وبفضل إمكانية الوصول إلى مجموعات البيانات التي أنشأها مستخدمون آخرون، بما في ذلك ملايين الصور والتعليقات التوضيحية، يمكنك البدء بسرعة دون الحاجة إلى جمع كل شيء وتسميته بنفسك. يؤدي استنساخ مجموعة بيانات إلى إنشاء نسخة منها في مساحة عملك، مما يتيح لك تعديلها وتوسيعها مع الحفاظ على النسخة الأصلية.

بالنسبة إلى عمليات التحميل، تدعم المنصة الصور ومقاطع الفيديو الفردية وأرشيفات مجموعات البيانات مثل ملفات ZIP أو TAR أو GZ. كما تدعم تنسيقات مجموعات البيانات الشائعة الاستخدام مثل YOLO وCOCO، مما يسهل استيراد مجموعات البيانات والتعليقات التوضيحية الحالية دون تحويل إضافي. وإضافة إلى ذلك، يمكنك تحميل مجموعة بيانات باستخدام ملف NDJSON مُصدَّر من المنصة، مما يجعل إعادة إنشاء مجموعات البيانات أو إعادة استخدامها عبر المشاريع عملية سلسة.

بعد تحميل البيانات، تعالج المنصة البيانات عبر مسار معالجة منظم. ويشمل ذلك التحقق من تنسيقات الملفات وأحجامها، وتغيير حجم الصور عند الحاجة، وتحليل التعليقات التوضيحية، وإنشاء إحصاءات مجموعة البيانات.

فعلى سبيل المثال، تُحوَّل مقاطع الفيديو إلى إطارات حتى يمكن استخدامها في التدريب، بينما تُحسَّن الصور وتُجهَّز لتسهيل تصفحها وتحليلها. وبعد المعالجة، تصبح مجموعات البيانات جاهزة للاستخدام في التعليق التوضيحي والتحليل وتدريب النماذج داخل المنصة.

التعليق التوضيحي على البيانات في Ultralytics Platform#

بعد تحميل مجموعات البيانات، يمكن مراجعتها وإضافة التعليقات التوضيحية إليها مباشرة داخل المنصة. وتتضمن المنصة أدوات مدمجة لـالتعليق التوضيحي على الصور لمجموعة من مهام الرؤية الحاسوبية، مثل اكتشاف الأجسام، وتقسيم الكائنات، وتقدير الوضعية، واكتشاف مربع الإحاطة الموجّه (OBB)، وتصنيف الصور.

الشكل 2. استخدام Ultralytics Platform لوضع تسميات على البيانات (المصدر)

يمكن إنشاء التعليقات التوضيحية يدويًا باستخدام هذه الأدوات أو تسريع العملية بميزات مدعومة بالذكاء الاصطناعي، مثل التعليق التوضيحي الذكي المدعوم بـ SAM. وباستخدام SAM، يمكنك إنشاء الأقنعة أو مربعات الإحاطة أو المربعات الموجّهة من خلال التفاعل مع الصورة، مما يساعد على تسريع عملية وضع التسميات مع الحفاظ على الدقة.

تحليل جودة مجموعة البيانات عبر Ultralytics Platform#

إضافة إلى إعداد البيانات وإضافة التعليقات التوضيحية إليها، يُعد فهم جودة مجموعة البيانات أمرًا أساسيًا لبناء نماذج رؤية حاسوبية موثوقة. ومن دون رؤية واضحة لعوامل مثل توزيع الفئات، وجودة التعليقات التوضيحية، وتقسيمات مجموعة البيانات، وكيفية تمثيل البيانات ضمن الظروف المختلفة، قد يصعب اكتشاف المشكلات التي تؤثر في أداء النموذج.

يتضمن Ultralytics Platform ميزات مدمجة للمساعدة على تحليل مجموعات البيانات بفاعلية أكبر. وتتوفر هذه الرؤى مباشرة ضمن واجهة مجموعة البيانات، عبر علامات تبويب مثل Images وClasses وCharts.

في علامة التبويب Charts، يمكنك عرض إحصاءات على مستوى مجموعة البيانات، مثل توزيع التقسيمات (التدريب والتحقق والاختبار)، وتكرار الفئات، وخرائط حرارية للتعليقات التوضيحية توضح مواضع ظهور الأجسام داخل الصور.

توفر علامة التبويب Classes تفصيلًا لعدد التعليقات التوضيحية لكل فئة، مما يسهل اكتشاف اختلال توازن الفئات. أما علامة التبويب Images، فتعرض تفاصيل على مستوى الصورة، مثل الأبعاد وعدد التعليقات التوضيحية وكيفية توزيع التسميات عبر الصور الفردية.

تسهل هذه الرؤى تحديد مشكلات مثل اختلال توازن الفئات، أو السيناريوهات المفقودة، أو التوزيع غير المتساوي للبيانات. فعلى سبيل المثال، قد تلاحظ أن بعض الفئات لا تحتوي إلا على عدد قليل جدًا من الأمثلة أو أن معظم التعليقات التوضيحية تتركز في مناطق محددة من الصورة.

إضافة إلى تحليل البيانات، تدعم المنصة تنقيح مجموعات البيانات وزيادتها، أي تحسين مجموعات البيانات بإصلاح البيانات الإشكالية أو إزالتها وإنشاء تنويعات من البيانات الحالية لتحسين أداء النموذج. ويمكن إجراء هذه التحسينات مباشرة داخل المنصة من خلال تحديث التعليقات التوضيحية، أو إضافة بيانات جديدة، أو إعادة تنظيم تقسيمات مجموعة البيانات استنادًا إلى رؤى التحليل.

تصدير مجموعات البيانات من Ultralytics Platform#

بعد إعداد مجموعة البيانات والتحقق منها، يمكن تصديرها لاستخدامها في بيئات مختلفة. ويمنحك ذلك المرونة لاستخدام بيانات الرؤية الحاسوبية حيثما تفضل، سواء لتدريب النماذج محليًا أو في السحابة أو باستخدام أدوات وسير عمل آخر.

يدعم Ultralytics Platform تنسيقات تصدير متعددة، بما في ذلك YOLO وCOCO وNDJSON، مما يسهل دمج مجموعات البيانات في عمليات سير العمل والأدوات التدريبية المختلفة.

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

يؤدي تصدير مجموعة بيانات إلى إنشاء لقطة ثابتة للبيانات في نقطة زمنية محددة، بما في ذلك صورها وتعليقاتها التوضيحية وبنيتها. ويفيد ذلك لأن مجموعات البيانات غالبًا ما تتغير عند إضافة بيانات جديدة أو تحديث التعليقات التوضيحية أو تعديل التقسيمات. ومن خلال تصدير لقطة، يمكنك الاحتفاظ بالإصدار المطابق تمامًا من مجموعة البيانات المستخدمة في تشغيل تدريبي معين.

وهذا يبسط إعادة إنتاج النتائج لاحقًا، إذ يمكنك تدريب نموذج على إعداد البيانات نفسه مرة أخرى ومقارنة الأداء عبر إصدارات مختلفة من مجموعة البيانات. فعلى سبيل المثال، يمكنك تقييم ما إذا كانت إضافة صور جديدة أو إصلاح التعليقات التوضيحية تحسن دقة النموذج فعلًا، بدلًا من التخمين بشأن ما تغير.

تُجرى عمليات التصدير بصورة غير متزامنة، وبمجرد أن تصبح جاهزة، يمكن تنزيل مجموعات البيانات واستخدامها في بيئات التدريب المحلية أو السحابية أو غير المتصلة بالإنترنت.

تحسين جودة مجموعة البيانات عبر التكرارات في Ultralytics Platform#

في عمليات سير عمل التعلم الآلي والتعلم العميق، تستمر إدارة مجموعة البيانات حتى بعد النشر، لأن بيانات العالم الحقيقي غالبًا ما تختلف عن البيانات المستخدمة أثناء التدريب.

ومع مواجهة النماذج لمدخلات جديدة، تصبح فجوات مجموعة البيانات، مثل الظروف المفقودة كبيئات الإضاءة المنخفضة وزوايا الكاميرا المختلفة والحجب أو المشاهد المزدحمة، إلى جانب أخطاء التعليقات التوضيحية، أكثر وضوحًا، مما يجعل تحسين البيانات بمرور الوقت أمرًا ضروريًا.

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

وفي الوقت نفسه، يساعد ضمان دقة التعليقات التوضيحية واتساقها، مثل وضع تسميات صحيحة للأجسام وإنشاء مربعات إحاطة أو أقنعة دقيقة، النموذجَ على تعلم أنماط أكثر موثوقية.

يتبع ذلك عادةً حلقة بسيطة: تدريب النموذج، وتقييم النتائج، وتحديد الأخطاء، وتحسين مجموعة البيانات، ثم إعادة التدريب. وتساعد كل خطوة على إبراز مشكلات مثل التعليقات التوضيحية غير الصحيحة أو البيانات المفقودة أو الحالات غير الممثلة بما يكفي.

لنفترض أنك تعمل على نظام لمراقبة رفوف المتاجر في الوقت الفعلي، ويُستخدم لاكتشاف المنتجات في المتاجر. قد لا تتضمن الإصدارات الأولى من مجموعة البيانات أنواعًا معينة من المنتجات أو ظروف الإضاءة أو ترتيبات الرفوف المزدحمة. وأثناء التقييم، قد تلاحظ أن النموذج يواجه صعوبة في اكتشاف العناصر في هذه الحالات.

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

يدعم Ultralytics Platform سير العمل هذا من خلال ربط تحديثات مجموعة البيانات بالتدريب والتقييم. وبفضل تتبع التجارب ومقاييس الأداء المدمجين، تصبح مراقبة التقدم وتحسين مجموعات البيانات باستمرار بمرور الوقت أسهل.

تتبع تغييرات مجموعات البيانات باستخدام Ultralytics Platform#

ناقشنا بإيجاز كيف تتطور مجموعات البيانات بمرور الوقت كجزء من عملية تطوير النموذج. ومع إضافة بيانات جديدة، وتحسين التعليقات التوضيحية، وتحديث الفئات، يصبح تتبع هذه التغييرات أمرًا أساسيًا للحفاظ على جودة البيانات وضمان اتساق أداء النموذج.

فيما يلي بعض ميزات Ultralytics Platform الأساسية التي تدعم تتبع مجموعات البيانات والتحكم في الإصدارات:

• إصدارات مجموعة البيانات: يمكنك إنشاء إصدارات ثابتة من مجموعات البيانات على هيئة لقطات NDJSON. يلتقط كل إصدار تفاصيل أساسية مثل عدد الصور وعدد الفئات وعدد التعليقات التوضيحية وحجم مجموعة البيانات في نقطة زمنية محددة. وتُخزَّن هذه الإصدارات ويمكن تنزيلها لاحقًا، مما يسهل إعادة إنتاج التجارب ومقارنة النتائج عبر حالات مختلفة لمجموعة البيانات.
• علامة تبويب Versions: تُنظَّم جميع إصدارات مجموعة البيانات في علامة تبويب Versions، حيث يمكنك عرض سجل الإصدارات وإضافة أوصاف للتغييرات وتتبع تطور مجموعة البيانات بمرور الوقت.
• الربط بالنماذج: تعرض علامة تبويب Models جميع النماذج التي دُرِّبت على مجموعة بيانات، بما في ذلك مقاييس مثل mAP وتفاصيل التدريب. وترتبط إصدارات مجموعات البيانات بعمليات التدريب، مما يساعدك على فهم تأثير تغييرات البيانات في أداء النموذج.
• علامة تبويب Errors: تبرز علامة تبويب Errors الملفات التي فشلت أثناء المعالجة، إلى جانب تفاصيل الأخطاء والاقتراحات. ويتيح لك ذلك تحديد مشكلات مثل الملفات التالفة أو التنسيقات غير المدعومة وإصلاحها قبل التدريب.
• واجهة مجموعة البيانات (علامتا تبويب Images وClasses): تتيح لك هذه العروض تصفح الصور، ومراجعة التعليقات التوضيحية، وإدارة تسميات الفئات، وتحليل توزيع الفئات. وتجعل ميزات مثل التصفية والفرز وتحديد الصور غير المشروحة عملية مراقبة جودة مجموعة البيانات بمرور الوقت أبسط.
• الإحصاءات والمخططات: تساعد تصورات البيانات المدمجة، مثل توزيع التقسيمات وتكرار الفئات وخرائط التعليقات التوضيحية الحرارية، على تتبع التغييرات في توزيع البيانات وتحديد الاختلالات مع تطور مجموعة البيانات.

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

ربط مجموعات البيانات بالتدريب والنشر داخل Ultralytics Platform#

يربط Ultralytics Platform مراحل مختلفة من تطوير نماذج الذكاء الاصطناعي في مسار معالجة واحد. وهذا يبسط عملية الانتقال من البيانات الخام إلى تطبيقات الرؤية بالذكاء الاصطناعي الجاهزة للإنتاج.

بعد إعداد مجموعات البيانات وإضافة التعليقات التوضيحية إليها، يمكن استخدامها لتدريب نماذج الرؤية الحاسوبية، مثل Ultralytics YOLO26، مباشرة داخل المنصة. وأثناء التدريب، يمكنك مراقبة مقاييس الأداء، وتتبع التجارب، وتقييم مدى جودة تعلم النموذج باستخدام لوحات المعلومات المدمجة.

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

بعد التدريب، يمكن اختبار النماذج على صور جديدة مباشرةً في المتصفح لتقييم التنبؤات وتحديد مجالات التحسين قبل النشر. وعندما يحقق النموذج أداءً جيدًا، يمكن نشره في بيئة الإنتاج.

تدعم المنصة تصدير النماذج إلى تنسيقات متعددة أو نشرها عبر خدمات الاستدلال ونقاط النهاية المخصصة، مما يتيح تشغيلها عبر بيئات مختلفة.

بعد النشر، تساعد أدوات المراقبة المدمجة على تتبع أداء النظام بمرور الوقت، بما في ذلك المقاييس المتعلقة بالاستخدام وسلوك النموذج. وهذا يجعل صيانة أنظمة الرؤية بالذكاء الاصطناعي وتحسينها في تطبيقات العالم الحقيقي أكثر سهولة.

أفضل ممارسات إدارة مجموعات البيانات باستخدام Ultralytics Platform#

فيما يلي بعض العوامل الأساسية التي ينبغي وضعها في الاعتبار عند إدارة مجموعات بياناتك باستخدام Ultralytics Platform:

• استخدم عوامل التصفية للعثور على الفجوات: حدِّد البيانات غير الموسومة أو غير الممثلة بما يكفي باستخدام أدوات التصفية، مما يجعل استكمال التعليقات التوضيحية وتحسين التغطية أكثر سلاسة.
• أصلح الأخطاء مبكرًا: استخدم علامة تبويب Errors لمراقبة الجودة واكتشاف عمليات التحميل الفاشلة أو الملفات التالفة أو التنسيقات غير المدعومة قبل التدريب.
• حدِّث مجموعات البيانات باستمرار: أضف بيانات جديدة، وأصلح التعليقات التوضيحية، وأدرج الحالات الحدية عند ظهورها. ويساعد ذلك على تحسين التغطية ويضمن أداء النماذج بموثوقية في سيناريوهات العالم الحقيقي.
• أدر تقسيمات مجموعة البيانات بعناية: احرص على تحقيق توازن جيد بين مجموعات التدريب والتحقق والاختبار. ويمكنك إعادة تنظيم التقسيمات يدويًا أو استخدام إعادة التوزيع التلقائي عند الحاجة.

لمعرفة المزيد عن Ultralytics Platform، اطلع على وثائق Ultralytics الرسمية.

أهم النقاط المستخلصة#

مع توسع مشاريع الرؤية الحاسوبية، تصبح إدارة مجموعات البيانات بفاعلية مهمة بقدر أهمية تطوير النماذج. ويساعد النهج المنظم لإدارة مجموعات البيانات على تحسين جودة البيانات، وتبسيط عمليات سير العمل، ودعم أداء أفضل للنماذج بمرور الوقت.

يبسط Ultralytics Platform هذه العملية من خلال جمع إدارة مجموعات البيانات والتدريب والنشر في سير عمل واحد. ومن خلال اعتماد نهج منظم لإدارة مجموعات البيانات، تستطيع الفرق تقليل التعقيد، وتحسين الكفاءة، وبناء أنظمة رؤية حاسوبية أكثر قابلية للتوسع وموثوقية.

انضم إلى مجتمعنا المتنامي واستكشف مستودعنا على GitHub للحصول على موارد الذكاء الاصطناعي. وللبناء باستخدام الرؤية بالذكاء الاصطناعي اليوم، اطلع على خيارات الترخيص. وتعرّف على كيفية إسهام الذكاء الاصطناعي في الزراعة في تحويل الزراعة، وكيف تعمل الرؤية بالذكاء الاصطناعي في الرعاية الصحية على تشكيل المستقبل، وذلك بزيارة صفحات حلولنا.