الإدارة الذكية لمجموعات البيانات في مجال الرؤية الحاسوبية باستخدام Ultralytics

لقد قطعت تقنية الذكاء الاصطناعي البصري، أو الرؤية الحاسوبية، شوطًا طويلاً منذ بداياتها، حيث تطورت من مرحلة الأبحاث التجريبية لتصبح تقنية أساسية تدعم التطبيقات العملية. واليوم، يمكن لعشاق الذكاء الاصطناعي بناء نماذج قوية لمهام مثل اكتشاف الأجسام وتقسيم الحالات باستخدام أدوات وأطر عمل متاحة للجميع.

ومع ذلك، مع انتقال هذه التطبيقات من مرحلة التجريب إلى مرحلة الإنتاج، تظل إدارة مجموعات البيانات تحديًا بالغ الأهمية وغالبًا ما يتم تجاهله. ومع تزايد حجم مجموعات بيانات الرؤية الحاسوبية وتعقيدها، غالبًا ما تواجه الفرق صعوبات في الحفاظ على اتساق التعليقات التوضيحية، track عبر الإصدارات المختلفة، وضمان جودة البيانات بشكل عام.

حتى النماذج المتطورة قد لا تحقق الأداء المطلوب في البيئات الواقعية إذا كانت البيانات التي تم تدريبها عليها غير كاملة أو غير متوازنة أو سيئة الإدارة. وهذه الفجوة المتزايدة بين الأداء في مرحلة التطوير والموثوقية في البيئات الواقعية هي السبب وراء الحاجة إلى اتباع نهج أكثر تنظيماً في إدارة مجموعات البيانات.

ومن القيود الشائعة الأخرى أن عمليات جمع البيانات وتوضيحها والتدريب عليها غالبًا ما تتم باستخدام أدوات منفصلة. ويؤدي سير العمل المجزأ إلى زيادة صعوبة إدارة مجموعات البيانات بكفاءة، وزيادة مخاطر حدوث التناقضات، وإبطاء عملية التكرار.

لحل العقبات التي تواجه الذكاء الاصطناعي في مجال الرؤية، مثل إدارة مجموعات البيانات وسير العمل المجزأ، أطلقنا مؤخرًا Ultralytics . وهي عبارة عن مساحة عمل شاملة تجمع بين إدارة مجموعات البيانات، والتعليق التوضيحي، والتدريب، والنشر، والمراقبة في سير عمل واحد موحد. 

من خلال ربط كل مرحلة من مراحل دورة حياة الرؤية الحاسوبية، يصبح من الأسهل track التغييرات التي تطرأ على track ، ومقارنة الأداء بين الإصدارات المختلفة، وتحسين البيانات باستمرار للحصول على نتائج أفضل.

في هذا المقال، سنتعمق في كيفية مساعدة Ultralytics لك track مجموعات البيانات الخاصة بك ومقارنتها وتحسينها من أجل بناء نماذج رؤية حاسوبية أكثر موثوقية. فلنبدأ! 

أهمية إدارة مجموعات البيانات في مجال الرؤية الحاسوبية

يرتبط أداء نموذج الرؤية الحاسوبية ارتباطًا وثيقًا بالبيانات التي تم تدريبه عليها. ولا تعتمد دقة النموذج — أي مدى صحة تنبؤاته — على الخوارزمية فحسب، بل على مدى تمثيل مجموعة البيانات لظروف العالم الواقعي. 

ببساطة، يتعلم النموذج الأنماط مباشرةً من البيانات، لذا فإن أي ثغرات أو تحيزات أو تناقضات في مجموعة البيانات يمكن أن تؤثر على كيفية قيامه بالتنبؤات. بعبارة أخرى، يمكن أن تؤدي البيانات ذات الجودة الرديئة، أو التعليقات التوضيحية غير الصحيحة، أو التغطية المحدودة للتنوعات الواقعية في الصور — مثل اختلاف ظروف الإضاءة، أو زوايا الكائنات، أو الخلفيات، أو مستويات الحجب — إلى انخفاض كبير في الدقة، حتى لو كانت بنية النموذج نفسها قوية.

وينطبق هذا أيضًا عند ضبط النموذج، حيث يتم تدريب النموذج المُدرَّب مسبقًا مرة أخرى على بيانات جديدة أو محدَّثة لتكييفه بشكل أفضل مع حالة استخدام أو بيئة معينة. ونظرًا لأن دقة النموذج تعتمد بشكل كبير على البيانات، فإن إدارة تلك البيانات بشكل سليم تصبح أمرًا ضروريًا. 

تشمل إدارة مجموعات البيانات تنظيم البيانات وتصنيفها وتحديثها باستمرار لضمان دقة وملاءمتها. وهذا يسهل تحسين الأداء بمرور الوقت، لا سيما عند إعادة تدريب النماذج أو ضبطها باستخدام بيانات جديدة.

كيف تؤثر جودة مجموعات البيانات على الموثوقية في الواقع العملي

تُعد حالات استخدام الرؤية الحاسوبية، مثل أنظمة المراقبة الأمنية، مثالاً رائعاً على الأهمية الحيوية للإدارة السليمة للبيانات. فهذه الأنظمة تحتاج إلى العمل بشكل موثوق في مجموعة متنوعة من الظروف الواقعية، بما في ذلك بيئات الإضاءة المختلفة، وزوايا الكاميرات، ومستويات الازدحام، وحالات الحجب الجزئي.

إذا لم تغطي بيانات التدريب هذه الاختلافات أو كانت تفتقر إلى التنوع في كيفية ظهور الكائنات عبر المشاهد والظروف المختلفة، فقد يواجه النموذج صعوبة في detect بدقة. على سبيل المثال، قد يكون أداء النموذج الذي تم تدريبه في الغالب على مشاهد مضاءة جيدًا وخالية من العناصر المشتتة ضعيفًا في البيئات منخفضة الإضاءة أو الأماكن المزدحمة. وفي أنظمة الأمن، قد يؤدي ذلك إلى تفويت الأحداث أو إصدار تنبيهات خاطئة.

ولتجنب ذلك، من المهم الحفاظ على مجموعات بيانات لا تكون نظيفة ومصنفة بدقة فحسب، بل تكون متوازنة أيضًا ويتم تحديثها باستمرار. وهذا يعني تحديد الثغرات في البيانات، وإضافة أمثلة جديدة مع تغير الظروف، والتأكد من تمثيل الفئات والبيئات المختلفة بشكل متساوٍ. 

بفضل مجموعة بيانات أكثر اكتمالاً وتنظيماً، تصبح النماذج أكثر قدرة على التعامل مع التباينات الموجودة في الواقع وتقديم تنبؤات أكثر موثوقية.

الجوانب الرئيسية لإدارة مجموعات البيانات

إذن، كيف تبدو إدارة مجموعات البيانات في الواقع؟ إنها تنطوي على تنظيم البيانات وتصنيفها وصيانتها حتى يمكن استخدامها بفعالية طوال عملية تطوير النموذج.

يتضمن تنظيم البيانات، على سبيل المثال، تنظيم مجموعة البيانات وتقسيمها إلى مجموعات للتدريب والتحقق والاختبار. تُستخدم مجموعة التدريب لتدريب النموذج، بينما تُستخدم مجموعة التحقق لمراقبة الأداء وتوجيه التعديلات أثناء التطوير، وتُستخدم مجموعة الاختبار لتقييم مدى جودة أداء النموذج النهائي على بيانات لم يسبق له التعامل معها من قبل.

وفي الوقت نفسه، تتضمن عملية وضع العلامات إضافة تعليقات توضيحية إلى الصور تتضمن تفاصيل مثل تصنيفات الفئات، أو المربعات المحيطة، أو أقنعة التجزئة. ونظرًا لأن النموذج يتعلم من هذه التعليقات التوضيحية، فإن الدقة والاتساق يعتبران عاملين حاسمين لمساعدته على تعلم أنماط ذات مغزى وإجراء تنبؤات موثوقة.

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

وبشكل عام، تُعد إدارة مجموعات البيانات عملية مستمرة. فمع تقييم النماذج وجمع البيانات الجديدة، يتعين تحديث مجموعات البيانات لتعكس الظروف الواقعية والحالات الاستثنائية. ويساعد تتبع هذه التحديثات ومقارنة الإصدارات المختلفة الفرق على فهم العوامل التي تساهم في تحسين الأداء، وتحديد المجالات التي تحتاج إلى مزيد من التغييرات.

إدارة مجموعات البيانات باستخدام Ultralytics

توفر Ultralytics مسار عمل منظم لإدارة مجموعات البيانات ضمن بيئة واحدة، وتغطي جميع المراحل بدءًا من إعداد البيانات وحتى تصديرها. وقد صُممت هذه المنصة لدعم كل من المطورين الأفراد والفرق، مما يسهل إدارة مجموعات البيانات بشكل متسق، سواء كنت تعمل بشكل مستقل أو تتعاون مع الآخرين عبر المشاريع المختلفة.

تم تصميم كل مرحلة بهدف تبسيط كيفية تنظيم مجموعات البيانات ومعالجتها واستخدامها طوال دورة حياة تطوير النموذج. ومن خلال تجميع هذه الخطوات في مكان واحد، تقلل المنصة من التجزئة وتجعل الحفاظ على الاتساق عبر مسارات العمل أكثر سهولة.

بعد ذلك، دعونا نستعرض الخطوات الرئيسية المتبعة وكيف تدعم المنصة كل خطوة منها.

تحميل مجموعات البيانات إلى Ultralytics

يتميز البدء في استخدام مجموعات البيانات على المنصة بالمرونة، حيث تتوفر طرق متعددة لاستيراد البيانات أو إعادة استخدامها. يمكنك تحميل بياناتك الخاصة أو البدء بشكل أسرع باستخدام مجموعات البيانات العامة المتاحة عبر المنصة. كما يمكنك استنساخ مجموعات البيانات الموجودة التي يشاركها المجتمع والبناء عليها.

تسهّل ميزات المجتمع المتوفرة في المنصة استكشاف الأعمال الموجودة وإعادة استخدامها. 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 وتصنيفه بنفسك. ويؤدي استنساخ مجموعة البيانات إلى إنشاء نسخة منها في مساحة العمل الخاصة بك، مما يتيح لك تعديلها وتوسيعها مع الحفاظ على النسخة الأصلية.

بالنسبة لعمليات التحميل، تدعم المنصة الصور الفردية ومقاطع الفيديو وأرشيفات مجموعات البيانات مثل ملفات ZIP أو TAR أو GZ. كما تدعم المنصة تنسيقات مجموعات البيانات الشائعة الاستخدام مثل YOLO COCO مما يسهل استيراد مجموعات البيانات والتعليقات التوضيحية الموجودة دون الحاجة إلى تحويل إضافي. علاوة على 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، تقوم المنصة بمعالجتها عبر مسار منظم. ويشمل ذلك التحقق من صحة تنسيقات الملفات وأحجامها، وتغيير حجم الصور عند الحاجة، وتحليل التعليقات التوضيحية، وإنشاء إحصائيات حول مجموعة البيانات.

على سبيل المثال، يتم تحويل مقاطع الفيديو إلى إطارات حتى يمكن استخدامها في التدريب، بينما يتم تحسين الصور وإعدادها لتسهيل تصفحها وتحليلها. وبعد المعالجة، تصبح مجموعات البيانات جاهزة للاستخدام في إضافة التعليقات التوضيحية والتحليل وتدريب النماذج داخل المنصة.

توضيح البيانات على Ultralytics

بمجرد تحميل مجموعات البيانات، يمكن مراجعتها وإضافة التعليقات التوضيحية إليها مباشرةً داخل المنصة. وتشتمل المنصة على أدوات مدمجة لإضافة التعليقات التوضيحية على الصور ، وذلك لمجموعة من مهام الرؤية الحاسوبية، مثل اكتشاف الكائنات، وتقسيم الحالات، وتقدير الوضع، واكتشاف الصناديق المحيطة الموجهة (OBB)، وتصنيف الصور.

يمكن إنشاء التعليقات التوضيحية يدويًّا باستخدام هذه الأدوات أو تسريع العملية باستخدام ميزات مدعومة بالذكاء الاصطناعي مثل التعليقات التوضيحية الذكية SAM. باستخدام SAM، يمكنك إنشاء أقنعة أو مربعات تحديد أو مربعات موجهة من خلال التفاعل مع الصورة، مما يساعد على تسريع عملية التصنيف مع الحفاظ على الدقة.

تحليل جودة مجموعات البيانات من خلال Ultralytics

بالإضافة إلى إعداد البيانات وتصنيفها، يُعد فهم جودة مجموعة البيانات أمرًا ضروريًا لبناء نماذج موثوقة للرؤية الحاسوبية. فبدون رؤية واضحة لعوامل مثل توزيع الفئات، وجودة التصنيف، وتقسيمات مجموعة البيانات، وكيفية تمثيل البيانات في ظل ظروف مختلفة، قد يكون من الصعب اكتشاف المشكلات التي تؤثر على أداء النموذج.

تتضمن Ultralytics ميزات مدمجة تساعد على تحليل مجموعات البيانات بشكل أكثر فعالية. وتتوفر هذه الرؤى مباشرةً ضمن واجهة مجموعة البيانات، عبر علامات التبويب مثل «الصور» و«الفئات» و«الرسوم البيانية».

في علامة التبويب «الرسوم البيانية»، يمكنك عرض الإحصائيات على مستوى مجموعة البيانات، مثل توزيع العينات (التدريب، والتحقق، والاختبار)، وتكرار الفئات، وخرائط الحرارة الخاصة بالتعليقات التوضيحية التي توضح أماكن ظهور الكائنات داخل الصور. 

تقدم علامة التبويب "الفئات" تفصيلاً لعدد التعليقات التوضيحية لكل فئة، مما يسهل اكتشاف عدم التوازن بين الفئات. وفي الوقت نفسه، تعرض علامة التبويب "الصور" تفاصيل على مستوى الصور، مثل الأبعاد وعدد التعليقات التوضيحية وكيفية توزيع التسميات عبر الصور الفردية.

تسهل هذه الرؤى تحديد المشكلات مثل عدم التوازن بين الفئات، أو السيناريوهات المفقودة، أو التوزيع غير المتكافئ للبيانات. على سبيل المثال، قد تلاحظ أن بعض الفئات تحتوي على عدد قليل جدًا من الأمثلة، أو أن معظم التعليقات التوضيحية تتركز في مناطق محددة من الصورة.

بالإضافة إلى تحليل البيانات، تدعم المنصة عملية تنقية مجموعات البيانات وتوسيعها، أي تحسين مجموعات البيانات عن طريق تصحيح أو إزالة البيانات المشكوك فيها وإنشاء أشكال مختلفة من البيانات الموجودة لتحسين أداء النموذج. ويمكن إجراء هذه التحسينات مباشرةً داخل المنصة من خلال تحديث التعليقات التوضيحية، أو إضافة بيانات جديدة، أو إعادة تنظيم تقسيمات مجموعات البيانات استنادًا إلى الرؤى المستخلصة من التحليل.

تصدير مجموعات البيانات من Ultralytics

بمجرد إعداد مجموعة البيانات والتحقق من صحتها، يمكن تصديرها لاستخدامها في بيئات مختلفة. وهذا يمنحك المرونة اللازمة لاستخدام بيانات الرؤية الحاسوبية الخاصة بك أينما شئت، سواء كان ذلك لتدريب النماذج محليًّا أو في السحابة أو في أدوات وسير عمل أخرى.

تدعم Ultralytics العديد من تنسيقات التصدير، بما في ذلك YOLO COCO وNDJSON، مما يسهل دمج مجموعات البيانات في مختلف سير العمل وأدوات التدريب.

يؤدي تصدير مجموعة البيانات إلى إنشاء لقطة ثابتة للبيانات في لحظة زمنية محددة، بما في ذلك الصور والتعليقات التوضيحية والهيكل. ويعد هذا الأمر مفيدًا لأن مجموعات البيانات غالبًا ما تتغير مع إضافة بيانات جديدة أو تحديث التعليقات التوضيحية أو تعديل عمليات التقسيم. ومن خلال تصدير هذه اللقطة، يمكنك الاحتفاظ بالإصدار الدقيق لمجموعة البيانات المستخدمة في دورة تدريب معينة.

وهذا يجعل من السهل تكرار النتائج لاحقًا، حيث يمكنك تدريب النموذج مرة أخرى على نفس مجموعة البيانات، ومقارنة الأداء بين الإصدارات المختلفة لمجموعة البيانات. على سبيل المثال، يمكنك تقييم ما إذا كانت إضافة صور جديدة أو تصحيح التعليقات التوضيحية يؤدي فعليًا إلى تحسين دقة النموذج، بدلاً من التخمين بشأن التغييرات التي طرأت.

تتم معالجة الصادرات بشكل غير متزامن، وبمجرد أن تصبح جاهزة، يمكن تنزيل مجموعات البيانات واستخدامها في بيئات التدريب المحلية أو السحابية أو غير المتصلة بالإنترنت.

تحسين جودة مجموعات البيانات من خلال عمليات التكرار على Ultralytics

في عمليات التعلم الآلي والتعلم العميق، تستمر إدارة مجموعات البيانات حتى بعد النشر، لأن البيانات الواقعية غالبًا ما تختلف عن البيانات المستخدمة أثناء التدريب. 

مع تعرض النماذج لمدخلات جديدة، تزداد وضوح الثغرات الموجودة في مجموعة البيانات، مثل الظروف الناقصة مثل البيئات منخفضة الإضاءة، وزوايا التصوير المختلفة، وحالات الحجب، أو المشاهد المزدحمة، فضلاً عن أخطاء التعليقات التوضيحية، مما يجعل من الضروري تحسين البيانات بمرور الوقت.

هناك عدة طرق لتحسين مجموعة البيانات. يمكنك إضافة صور أو مقاطع فيديو جديدة لتغطية الظروف الناقصة، مثل البيئات منخفضة الإضاءة، وزوايا التصوير المختلفة، وحالات الحجب، أو المشاهد المزدحمة، مما يساعد على تقليل النقاط العمياء في البيانات. 

وفي الوقت نفسه، فإن ضمان دقة واتساق التعليقات التوضيحية — مثل تصنيف الكائنات بشكل صحيح ودقة مربعات الحدود أو الأقنعة — يساعد النموذج على تعلم أنماط أكثر موثوقية.

وعادةً ما يتبع ذلك دورة بسيطة: تدريب النموذج، وتقييم النتائج، وتحديد الأخطاء، وتحسين مجموعة البيانات، وإعادة التدريب. وتساعد كل خطوة في تسليط الضوء على مشكلات مثل التعليقات التوضيحية غير الصحيحة، أو البيانات المفقودة، أو الحالات غير الممثلة بشكل كافٍ.

لنفترض أنك تعمل على نظام لمراقبة أرفف البيع بالتجزئة في الوقت الفعلي يُستخدم detect في المتاجر. قد لا تتضمن الإصدارات الأولى من مجموعة البيانات أنواعًا معينة من المنتجات، أو ظروف إضاءة معينة، أو ترتيبات أرفف مزدحمة. وأثناء التقييم، قد تلاحظ أن النموذج يواجه صعوبة في detect في هذه الحالات.

لتحسين الأداء، يمكنك جمع صور جديدة تغطي هذه السيناريوهات المفقودة وتحديث التعليقات التوضيحية عند الحاجة. ومع مرور الوقت، يساعد تكرار هذه العملية النموذج على أن يصبح أكثر دقة وموثوقية في الظروف الواقعية.

تدعم Ultralytics هذا المسار العملي من خلال ربط تحديثات مجموعات البيانات بعمليات التدريب والتقييم. وبفضل ميزات تتبع التجارب ومقاييس الأداء المدمجة، يصبح من الأسهل مراقبة التقدم المحرز وتحسين مجموعات البيانات باستمرار مع مرور الوقت.

تتبع التغييرات في مجموعات البيانات باستخدام Ultralytics

لقد ناقشنا بإيجاز كيفية تطور مجموعات البيانات بمرور الوقت كجزء من عملية تطوير النموذج. ومع إضافة بيانات جديدة، وتحسين التعليقات التوضيحية، وتحديث الفئات، يصبح track هذه التغييرات أمراً أساسياً للحفاظ على جودة البيانات وضمان استمرارية أداء النموذج.

فيما يلي بعض الميزات الرئيسية Ultralytics التي تدعم تتبع مجموعات البيانات والتحكم في الإصدارات:

• إصدارات مجموعات البيانات: يمكنك إنشاء إصدارات ثابتة لمجموعات البيانات على شكل لقطات NDJSON. تلتقط كل نسخة تفاصيل أساسية مثل عدد الصور، وعدد الفئات، وعدد التعليقات التوضيحية، وحجم مجموعة البيانات في وقت محدد. يتم تخزين هذه الإصدارات ويمكن تنزيلها لاحقًا، مما يسهل إعادة إجراء التجارب ومقارنة النتائج عبر حالات مختلفة لمجموعات البيانات.
• علامة التبويب "الإصدارات": يتم تنظيم جميع إصدارات مجموعة البيانات في علامة التبويب "الإصدارات"، حيث يمكنك عرض سجل الإصدارات وإضافة أوصاف للتغييرات track مجموعة البيانات بمرور الوقت.
• الربط بالنماذج: تعرض علامة التبويب «النماذج» جميع النماذج التي تم تدريبها على مجموعة بيانات معينة، بما في ذلك المقاييس مثل mAP فاصيل التدريب. وترتبط إصدارات مجموعات البيانات بجلسات التدريب، مما يساعدك على فهم كيفية تأثير التغييرات في البيانات على أداء النموذج.
• علامة التبويب "الأخطاء": تبرز علامة التبويب "الأخطاء" الملفات التي تعطل أثناء المعالجة، إلى جانب تفاصيل الخطأ والاقتراحات. وهذا يتيح لك تحديد المشكلات وإصلاحها، مثل الملفات التالفة أو التنسيقات غير المدعومة، قبل بدء التدريب.
• واجهة مجموعة البيانات (علامتا التبويب «الصور» و«الفئات»): تتيح لك هذه العروض تصفح الصور ومراجعة التعليقات التوضيحية وإدارة تسميات الفئات وتحليل توزيع الفئات. وتساعد ميزات مثل التصفية والفرز وتحديد الصور غير المُعلَّقة على تسهيل مراقبة جودة مجموعة البيانات بمرور الوقت.
• الإحصاءات والرسوم البيانية: تساعد أدوات عرض البيانات المدمجة، مثل التوزيع المقسم وتكرار الفئات وخرائط الحرارة التوضيحية، track في توزيع البيانات وتحديد أوجه عدم التوازن مع تطور مجموعة البيانات.

ربط مجموعات البيانات بالتدريب والنشر داخل Ultralytics

تربط Ultralytics بين المراحل المختلفة لتطوير نماذج الذكاء الاصطناعي في مسار عمل واحد. وهذا يسهل عملية الانتقال من البيانات الأولية إلى تطبيقات الذكاء الاصطناعي الخاصة بالرؤية الجاهزة للإنتاج.

بمجرد الانتهاء من إعداد مجموعات البيانات وتزويدها بالتعليقات التوضيحية، يمكن استخدامها لتدريب نماذج الرؤية الحاسوبية، مثل Ultralytics مباشرةً داخل المنصة. وأثناء التدريب، يمكنك مراقبة مؤشرات الأداء، track ، وتقييم مدى كفاءة تعلم النموذج باستخدام لوحات المعلومات المدمجة.

بعد التدريب، يمكن اختبار النماذج على صور جديدة مباشرةً في المتصفح لتقييم التنبؤات وتحديد الجوانب التي تحتاج إلى تحسين قبل النشر. وعندما يقدم النموذج أداءً جيدًا، يمكن نشره في بيئة الإنتاج. 

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

بمجرد نشرها، تساعد أدوات المراقبة المدمجة track أداء track على مدار الوقت، بما في ذلك المقاييس المتعلقة بالاستخدام وسلوك النموذج. وهذا يجعل صيانة أنظمة الذكاء الاصطناعي الخاصة بالرؤية وتحسينها في التطبيقات العملية أمراً أكثر سهولة.

أفضل الممارسات لإدارة مجموعات البيانات باستخدام Ultralytics

فيما يلي بعض العوامل الرئيسية التي يجب أخذها في الاعتبار عند إدارة مجموعات البيانات الخاصة بك باستخدام Ultralytics :

• استخدم عوامل التصفية لاكتشاف الثغرات: حدد البيانات غير المصنفة أو غير الممثلة بشكل كافٍ باستخدام أدوات التصفية، مما يسهل عملية إكمال التعليقات التوضيحية وتحسين التغطية.
• تصحيح الأخطاء في وقت مبكر: استخدم علامة التبويب "الأخطاء" لمراقبة الجودة لاكتشاف حالات التحميل الفاشلة أو الملفات التالفة أو التنسيقات غير المدعومة قبل بدء التدريب.
• تحديث مجموعات البيانات باستمرار: أضف بيانات جديدة، وصحح التعليقات التوضيحية، وأدرج الحالات الاستثنائية فور ظهورها. فهذا يساعد على تحسين التغطية ويضمن أداء النماذج بشكل موثوق في السيناريوهات الواقعية.
• تعامل مع تقسيمات مجموعات البيانات بحذر: احرص على تحقيق توازن جيد بين مجموعات التدريب والتحقق والاختبار. يمكنك إعادة تنظيم التقسيمات يدويًّا أو استخدام إعادة التوزيع التلقائي عند الحاجة.

لمعرفة المزيد عن Ultralytics يرجى الاطلاع على Ultralytics الرسمية Ultralytics .

النقاط الرئيسية

مع توسع نطاق مشاريع الرؤية الحاسوبية، تصبح إدارة مجموعات البيانات بفعالية أمرًا لا يقل أهمية عن تطوير النماذج. ويساعد اتباع نهج منظم لإدارة مجموعات البيانات على تحسين جودة البيانات، وتبسيط سير العمل، ودعم تحسين أداء النماذج بمرور الوقت.

تعمل Ultralytics على تبسيط هذه العملية من خلال دمج إدارة مجموعات البيانات والتدريب والنشر في مسار عمل واحد. ومن خلال اتباع نهج منظم لإدارة مجموعات البيانات، يمكن للفرق تقليل التعقيد وتحسين الكفاءة وبناء أنظمة رؤية حاسوبية أكثر قابلية للتوسع وموثوقية.

انضم إلى مجتمعنا المتنامي واستكشف مستودع GitHub الخاص بنا للحصول على موارد الذكاء الاصطناعي. إذا كنت ترغب في تطوير تطبيقات تعتمد على الذكاء الاصطناعي البصري اليوم، فاطلع على خيارات الترخيص المتاحة لدينا. تعرف على كيفية قيام الذكاء الاصطناعي في مجال الزراعة بتحويل ممارسات الزراعة، وكيف يساهم الذكاء الاصطناعي البصري في مجال الرعاية الصحية في تشكيل المستقبل، من خلال زيارة صفحات الحلول الخاصة بنا.