إدارة ذكية لمجموعات البيانات في الرؤية الحاسوبية باستخدام Ultralytics Platform

قطعت الذكاء الاصطناعي للرؤية، أو الرؤية الحاسوبية، شوطًا طويلًا منذ بداياتها، إذ تطورت من أبحاث تجريبية إلى تقنية أساسية تدعم تطبيقات واقعية. واليوم، يستطيع المهتمون بالذكاء الاصطناعي بناء نماذج قوية لمهام مثل اكتشاف الكائنات وتجزئة المثيلات باستخدام أدوات وأطر عمل يسهل الوصول إليها.

لكن مع انتقال هذه التطبيقات من مرحلة التجريب إلى الإنتاج، تظل إدارة مجموعات البيانات تحديًا جوهريًا غالبًا ما يُغفل. ومع ازدياد حجم مجموعات بيانات الرؤية الحاسوبية وتعقيدها، تواجه الفرق صعوبة في الحفاظ على اتساق التعليقات التوضيحية، وتتبع التغييرات بين الإصدارات، وضمان جودة البيانات إجمالًا.

قد يكون أداء حتى النماذج المتطورة ضعيفًا في البيئات الواقعية إذا كانت البيانات التي دُرّبت عليها غير مكتملة أو غير متوازنة أو سيئة الإدارة. وتفسر هذه الفجوة المتزايدة بين أداء التطوير والموثوقية في الواقع الحاجة إلى نهج أكثر تنظيمًا لإدارة مجموعات البيانات.

ومن القيود الشائعة الأخرى أن جمع البيانات والتعليق التوضيحي والتدريب غالبًا ما تُنفذ باستخدام أدوات منفصلة. ويجعل سير العمل المجزأ إدارة مجموعات البيانات بكفاءة أصعب، ويزيد خطر عدم الاتساق، ويبطئ دورات التحسين.

لحل الاختناقات في الذكاء الاصطناعي للرؤية، مثل إدارة مجموعات البيانات وتجزؤ سير العمل، 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.

من خلال ربط كل مرحلة من دورة حياة الرؤية الحاسوبية، يصبح تتبع تغييرات مجموعة البيانات ومقارنة الأداء بين الإصدارات والتنقيح المستمر لبياناتك لتحقيق نتائج أفضل أسهل.

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

في هذا المقال، سنتناول كيف تساعدك Ultralytics Platform 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 دُرّب عليها. وتعتمد دقة النموذج، أي مدى صحة تنبؤاته، ليس على الخوارزمية فحسب، بل أيضًا على مدى تمثيل مجموعة البيانات للظروف الواقعية.

ببساطة، يتعلم النموذج الأنماط مباشرة من البيانات، لذا يمكن لأي ثغرات أو تحيزات أو أوجه 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 اختلاف ظروف الإضاءة وزوايا الكائنات والخلفيات ومستويات الاحتجاب، أن تقلل الدقة بدرجة كبيرة، حتى إن كانت بنية النموذج نفسها قوية.

وينطبق هذا أيضًا عند الضبط الدقيق للنموذج، حيث يُستكمل تدريب نموذج مدرّب مسبقًا على بيانات جديدة أو محدّثة ليتكيف بصورة أفضل مع حالة استخدام أو بيئة محددة. وبما أن دقة النموذج تعتمد بدرجة كبيرة على البيانات، فإن إدارة تلك البيانات على نحو سليم تصبح ضرورية.

تشمل إدارة مجموعة البيانات تنظيم البيانات وتصنيفها وتحديثها باستمرار لتظل دقيقة وذات صلة. وهذا يسهل تحسين الأداء بمرور الوقت، لا سيما عند إعادة تدريب النماذج أو ضبطها بدقة باستخدام بيانات جديدة.

كيف تؤثر جودة مجموعة البيانات في الموثوقية الواقعية#

تُعد حالات استخدام الرؤية الحاسوبية، مثل أنظمة المراقبة الأمنية، مثالًا واضحًا على أهمية الإدارة السليمة للبيانات. إذ يجب أن تعمل هذه الأنظمة بموثوقية في نطاق من الظروف الواقعية، بما في ذلك اختلاف بيئات الإضاءة وزوايا الكاميرات ومستويات الازدحام وحالات الاحتجاب الجزئي.

إذا لم تغطِ بيانات التدريب هذه التنوعات، أو افتقرت إلى التنوع في مظهر الكائنات عبر المشاهد والظروف المختلفة، فقد يواجه النموذج صعوبة في اكتشاف الكائنات بدقة. فعلى سبيل المثال، قد يكون أداء نموذج دُرّب في الغالب على مشاهد جيدة الإضاءة وخالية من الفوضى ضعيفًا في البيئات منخفضة الإضاءة أو الأماكن المزدحمة. وفي الأنظمة الأمنية، قد يؤدي ذلك إلى تفويت أحداث أو إطلاق تنبيهات خاطئة.

لتجنب ذلك، من المهم الحفاظ على مجموعات بيانات نظيفة ودقيقة التصنيف، ومتوازنة جيدًا ومحدّثة باستمرار أيضًا. ويعني ذلك تحديد الثغرات في البيانات، وإضافة أمثلة جديدة مع تغير الظروف، والتأكد من تمثيل الفئات والبيئات المختلفة بالتساوي.

عندما تكون مجموعة البيانات أكثر اكتمالًا وتنظيمًا، تصبح النماذج أقدر على التعامل مع التباين في العالم الحقيقي وإنتاج تنبؤات أكثر موثوقية.

الجوانب الرئيسية لإدارة مجموعات البيانات#

إذًا، كيف تبدو إدارة مجموعة البيانات عمليًا؟ إنها تشمل تنظيم البيانات وتصنيفها وصيانتها بحيث يمكن استخدامها بفعالية خلال عملية تطوير النموذج.

يشمل تنظيم البيانات، على سبيل المثال، هيكلة مجموعة البيانات وتقسيمها إلى مجموعات تدريب وتحقق واختبار. وتُستخدم مجموعة التدريب لتعليم النموذج، ومجموعة التحقق لمراقبة الأداء وتوجيه التعديلات أثناء التطوير، ومجموعة الاختبار لتقييم مدى أداء النموذج النهائي على بيانات لم يسبق له رؤيتها إطلاقًا.

أما التصنيف فيشمل إضافة تعليقات توضيحية إلى الصور بتفاصيل مثل تسميات الفئات أو مربعات الإحاطة أو أقنعة التجزئة. وبما أن النموذج يتعلم من هذه التعليقات التوضيحية، فإن الدقة والاتساق ضروريان لمساعدته على تعلم أنماط ذات معنى 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 مجموعة البيانات عملية مستمرة. فمع تقييم النماذج وجمع بيانات جديدة، ينبغي تحديث مجموعات البيانات لتعكس الظروف الواقعية والحالات الطرفية. ويساعد تتبع هذه التحديثات ومقارنة الإصدارات المختلفة الفرق على فهم ما يحسن الأداء والجوانب التي تحتاج إلى مزيد من التغيير.

إدارة مجموعات البيانات باستخدام Ultralytics Platform#

توفر Ultralytics Platform سير عمل منظمًا لإدارة مجموعات البيانات ضمن بيئة واحدة، بدءًا من إعداد البيانات ووصولًا إلى تصديرها. وقد صُممت لدعم المطورين الأفراد والفرق على حد سواء، ما يسهل إدارة مجموعات البيانات باتساق، سواء كنت تعمل بمفردك أو تتعاون عبر مشاريع متعددة.

صُممت كل مرحلة لتبسيط تنظيم مجموعات البيانات ومعالجتها واستخدامها على امتداد دورة حياة تطوير النموذج. ومن خلال جمع هذه الخطوات في مكان واحد، تقلل المنصة التجزؤ وتجعل الحفاظ على الاتساق عبر مسارات العمل أكثر سهولة.

والآن، لنستعرض الخطوات الرئيسية وكيف تدعم المنصة كلًا منها.

تحميل مجموعات البيانات إلى Ultralytics Platform#

تتسم بداية العمل بمجموعات البيانات على المنصة بالمرونة، إذ تتوفر طرق متعددة لإضافة البيانات أو إعادة استخدامها. يمكنك تحميل بياناتك الخاصة أو بدء العمل بسرعة أكبر باستخدام مجموعات البيانات العامة المتاحة عبر المنصة. كما يمكنك استنساخ مجموعات البيانات الموجودة التي يشاركها المجتمع والبناء عليها.

تسهل ميزات المجتمع في المنصة استكشاف الأعمال الموجودة وإعادة استخدامها. وبفضل إمكانية الوصول إلى مجموعات البيانات التي أنشأها مستخدمون آخرون، بما فيها ملايين الصور والتعليقات التوضيحية، يمكنك البدء سريعًا دون الحاجة إلى جمع كل شيء وتصنيفه بنفسك. وينشئ استنساخ مجموعة البيانات نسخة في مساحة عملك، ما يتيح لك تعديلها وتوسيعها مع الحفاظ على الأصل.

تدعم المنصة تحميل الصور ومقاطع الفيديو الفردية وأرشيفات مجموعات البيانات، مثل ملفات ZIP أو TAR أو GZ. كما تدعم تنسيقات مجموعات البيانات الشائعة مثل YOLO وCOCO، ما يسهل استيراد مجموعات البيانات والتعليقات التوضيحية الموجودة دون تحويل إضافي. وإضافة إلى ذلك، يمكنك تحميل مجموعة بيانات باستخدام ملف NDJSON مُصدّر من المنصة، ما يتيح إعادة إنشاء مجموعات البيانات أو إعادة استخدامها بسلاسة عبر المشاريع.

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

فعلى سبيل المثال، تُحوّل مقاطع الفيديو إلى إطارات كي تُستخدم في التدريب، بينما تُحسّن الصور وتُجهز لتسهيل استعراضها وتحليلها. وبعد المعالجة، تصبح مجموعات البيانات جاهزة للاستخدام في التعليق التوضيحي والتحليل وتدريب النماذج داخل المنصة.

التعليق التوضيحي للبيانات على Ultralytics Platform#

بعد التحميل، يمكن مراجعة مجموعات البيانات وإضافة التعليقات التوضيحية إليها مباشرة داخل المنصة. وتتضمن المنصة أدوات مدمجة لـالتعليق التوضيحي على الصور تدعم مجموعة من مهام الرؤية الحاسوبية، مثل اكتشاف الكائنات وتجزئة المثيلات وتقدير الوضعية واكتشاف مربعات الإحاطة الموجّهة (OBB) وتصنيف الصور.

الشكل 2. استخدام Ultralytics Platform لتصنيف البيانات (المصدر)

يمكن إنشاء التعليقات التوضيحية يدويًا باستخدام هذه الأدوات، أو تسريع العملية بميزات مدعومة بالذكاء الاصطناعي مثل التعليق التوضيحي الذكي المعتمد على SAM. وباستخدام SAM، يمكنك إنشاء الأقنعة أو مربعات الإحاطة أو المربعات الموجّهة بالتفاعل مع الصورة، ما يساعد على تسريع عملية التصنيف مع الحفاظ على الدقة.

تحليل جودة مجموعة البيانات عبر Ultralytics Platform#

إلى جانب إعداد البيانات وإضافة التعليقات التوضيحية، يُعد فهم جودة مجموعة البيانات ضروريًا لبناء نماذج رؤية حاسوبية موثوقة. ومن دون رؤية واضحة لعوامل مثل توزيع الفئات وجودة التعليقات التوضيحية وتقسيم مجموعة البيانات وكيفية تمثيل البيانات في مختلف الظروف، قد يصعب اكتشاف المشكلات التي تؤثر في أداء النموذج.

تتضمن Ultralytics Platform ميزات مدمجة للمساعدة على تحليل مجموعات البيانات بفعالية أكبر. وتتوفر هذه الرؤى مباشرة ضمن واجهة مجموعة البيانات، عبر علامات تبويب مثل الصور والفئات والرسوم البيانية.

في علامة تبويب الرسوم البيانية، يمكنك عرض إحصاءات على مستوى مجموعة البيانات، مثل توزيع التقسيمات (التدريب والتحقق والاختبار)، وتكرار الفئات، والخرائط الحرارية للتعليقات التوضيحية التي توضح مواضع ظهور الكائنات داخل الصور.

توفر علامة تبويب الفئات تفصيلًا لأعداد التعليقات التوضيحية لكل فئة، ما يسهل اكتشاف اختلال التوازن بين الفئات. أما علامة تبويب الصور، فتعرض تفاصيل على مستوى الصورة، مثل الأبعاد وعدد التعليقات التوضيحية وكيفية توزيع التسميات على الصور الفردية.

تسهل هذه الرؤى تحديد مشكلات مثل اختلال التوازن بين الفئات أو غياب بعض السيناريوهات أو عدم توازن توزيع البيانات. فقد تلاحظ، مثلًا، أن بعض الفئات لا تملك سوى أمثلة قليلة، أو أن معظم التعليقات التوضيحية تتركز في مناطق محددة من الصورة.

إلى جانب تحليل البيانات، تدعم المنصة تنقيح مجموعات البيانات وزيادتها، أي تحسينها عبر تصحيح البيانات الإشكالية أو إزالتها وإنشاء تنويعات من البيانات الموجودة 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 مرونة استخدام بيانات الرؤية الحاسوبية حيثما تفضل، سواء لتدريب النماذج محليًا أو في السحابة أو باستخدام أدوات ومسارات عمل أخرى.

تدعم Ultralytics Platform تنسيقات تصدير متعددة، منها YOLO وCOCO وNDJSON، ما يسهل دمج مجموعات البيانات في أدوات ومسارات تدريب مختلفة.

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

ينشئ تصدير مجموعة البيانات لقطة ثابتة للبيانات في نقطة زمنية محددة، تشمل الصور والتعليقات التوضيحية والبنية. وهذا مفيد لأن مجموعات البيانات غالبًا ما تتغير عند إضافة بيانات جديدة أو تحديث التعليقات التوضيحية أو تعديل التقسيمات. وباستطاعتك، عبر تصدير لقطة، الاحتفاظ بالإصدار الدقيق من مجموعة البيانات المستخدم في تشغيل تدريبي معين.

وهذا يسهل إعادة إنتاج النتائج لاحقًا، إذ يمكنك تدريب نموذج على إعداد البيانات نفسه مجددًا ومقارنة الأداء بين إصدارات مجموعات البيانات المختلفة. فعلى سبيل المثال، يمكنك تقييم ما إذا كانت إضافة صور جديدة أو تصحيح التعليقات التوضيحية تحسن دقة النموذج فعلًا، بدلًا من تخمين ما الذي تغير.

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

تحسين جودة مجموعة البيانات عبر التكرار في Ultralytics Platform#

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

مع مواجهة النماذج لمدخلات جديدة، تتضح أكثر ثغرات مجموعة البيانات، مثل غياب ظروف معينة كالبيئات منخفضة الإضاءة وزوايا الكاميرات المختلفة وحالات الاحتجاب والمشاهد المزدحمة، فضلًا عن أخطاء التعليقات التوضيحية؛ ما يجعل تنقيح البيانات بمرور الوقت أمرًا ضروريًا.

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

وفي الوقت نفسه، يساعد ضمان دقة التعليقات التوضيحية واتساقها، مثل تصنيف الكائنات تصنيفًا صحيحًا واستخدام مربعات إحاطة أو أقنعة دقيقة، النموذج على تعلم أنماط أكثر موثوقية.

يتبع ذلك عادةً دورة بسيطة: درّب النموذج، وقيّم النتائج، وحدد الأخطاء، وحسّن مجموعة البيانات، ثم أعد التدريب. وتساعد كل خطوة على إبراز مشكلات مثل التعليقات التوضيحية غير الصحيحة أو البيانات المفقودة أو الحالات غير الممثلة تمثيلًا كافيًا.

لنفترض أنك تعمل على نظام لمراقبة أرفف المتاجر في الوقت الفعلي، يُستخدم لاكتشاف المنتجات في المتاجر. قد لا تتضمن الإصدارات الأولى من مجموعة البيانات أنواعًا معينة من المنتجات أو ظروف الإضاءة أو ترتيبات الأرفف 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 النموذج على تحقيق دقة وموثوقية أكبر في الظروف الواقعية.

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

تتبع تغييرات مجموعات البيانات باستخدام Ultralytics Platform#

تحدثنا باختصار عن تطور مجموعات البيانات بمرور الوقت ضمن عملية تطوير النموذج. ومع إضافة بيانات جديدة وتنقيح التعليقات التوضيحية وتحديث الفئات، يصبح تتبع هذه التغييرات أساسيًا للحفاظ على جودة البيانات وضمان اتساق أداء النموذج.

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

• إصدارات مجموعة البيانات: يمكنك إنشاء إصدارات ثابتة من مجموعة البيانات على هيئة لقطات NDJSON. ويسجل كل إصدار تفاصيل أساسية، مثل عدد الصور وعدد الفئات وعدد التعليقات التوضيحية وحجم مجموعة البيانات في نقطة زمنية محددة. وتُخزّن هذه الإصدارات ويمكن تنزيلها لاحقًا، ما يسهل إعادة إنتاج التجارب ومقارنة النتائج بين حالات مجموعة البيانات المختلفة.
• علامة تبويب الإصدارات: تُنظم جميع إصدارات مجموعة البيانات في علامة تبويب الإصدارات، حيث يمكنك عرض سجل الإصدارات وإضافة أوصاف للتغييرات وتتبع تطور مجموعة البيانات بمرور الوقت.
• الربط بالنماذج: تعرض علامة تبويب النماذج جميع النماذج المدرّبة على مجموعة بيانات، بما في ذلك مقاييس مثل mAP وتفاصيل التدريب. وترتبط إصدارات مجموعة البيانات بعمليات التدريب، ما يساعدك على فهم تأثير تغييرات البيانات في أداء النموذج.
• علامة تبويب الأخطاء: تبرز علامة تبويب الأخطاء الملفات التي تعذر معالجتها، إلى جانب تفاصيل الأخطاء والاقتراحات. وهذا يتيح لك تحديد مشكلات مثل الملفات التالفة أو التنسيقات غير المدعومة وإصلاحها قبل التدريب.
• واجهة مجموعة البيانات (علامتا تبويب الصور والفئات): تتيح لك هذه العروض استعراض الصور ومراجعة التعليقات التوضيحية وإدارة تسميات الفئات وتحليل توزيع الفئات. وتجعل ميزات مثل التصفية والفرز وتحديد الصور غير المشروحة مراقبة جودة مجموعة البيانات بمرور الوقت أسهل.
• الإحصاءات والرسوم البيانية: تساعد تصورات البيانات المدمجة، مثل توزيع التقسيمات وتكرار الفئات والخرائط الحرارية للتعليقات التوضيحية، 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 ضمن Ultralytics Platform#

تربط Ultralytics Platform مراحل تطوير نماذج الذكاء الاصطناعي المختلفة ضمن مسار واحد. وهذا يبسط الانتقال من البيانات الخام إلى تطبيقات الذكاء الاصطناعي للرؤية الجاهزة للإنتاج.

بعد إعداد مجموعات البيانات وإضافة التعليقات التوضيحية، يمكن استخدامها لتدريب نماذج الرؤية الحاسوبية، مثل Ultralytics YOLO26، مباشرة داخل المنصة. وأثناء التدريب، يمكنك مراقبة مقاييس الأداء وتتبع التجارب وتقييم مدى 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 مباشرة 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، ما يتيح تشغيلها في بيئات مختلفة.

بعد النشر، تساعد أدوات المراقبة المدمجة على تتبع أداء النظام بمرور الوقت، بما في ذلك المقاييس المرتبطة بالاستخدام وسلوك النموذج. وهذا يجعل صيانة أنظمة الذكاء الاصطناعي للرؤية وتحسينها في التطبيقات الواقعية أكثر سهولة.

أفضل الممارسات لإدارة مجموعات البيانات باستخدام Ultralytics Platform#

فيما يلي بعض العوامل الرئيسية التي ينبغي مراعاتها عند إدارة مجموعات البيانات باستخدام Ultralytics Platform:

• استخدم عوامل التصفية للعثور على الثغرات: حدّد البيانات غير المصنفة أو غير الممثلة بما يكفي باستخدام أدوات التصفية، ما يسهل استكمال التعليقات التوضيحية وتحسين التغطية.
• عالج الأخطاء مبكرًا: استخدم علامة تبويب الأخطاء لمراقبة الجودة واكتشاف حالات فشل التحميل والملفات التالفة أو التنسيقات غير المدعومة قبل التدريب.
• حدّث مجموعات البيانات باستمرار: أضف بيانات جديدة، وصحح التعليقات التوضيحية، وأدرج الحالات الطرفية عند ظهورها. ويساعد ذلك على تحسين التغطية وضمان أداء النماذج بموثوقية في السيناريوهات الواقعية.
• أدر تقسيمات مجموعة البيانات بعناية: احرص على تحقيق توازن جيد بين مجموعات التدريب والتحقق والاختبار. ويمكنك إعادة تنظيم التقسيمات يدويًا أو استخدام إعادة التوزيع التلقائية عند الحاجة.

لمعرفة المزيد عن Ultralytics Platform، راجع وثائق Ultralytics الرسمية.

أبرز النقاط#

مع توسع مشاريع الرؤية الحاسوبية، تصبح الإدارة الفعالة لمجموعات البيانات بأهمية تطوير النماذج نفسها. ويساعد النهج المنظم لإدارة مجموعات البيانات على تحسين جودة البيانات وتبسيط مسارات العمل ودعم أداء أفضل للنماذج بمرور الوقت.

تبسّط Ultralytics Platform هذه العملية بجمع 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 واعتمادية.

انضم إلى مجتمعنا المتنامي واستكشف مستودع GitHub للحصول على موارد الذكاء الاصطناعي. للبدء اليوم في التطوير باستخدام الذكاء الاصطناعي للرؤية، اطّلع على خيارات الترخيص. تعرّف على كيفية إحداث الذكاء الاصطناعي في الزراعة تحولًا في الزراعة، وكيف يسهم الذكاء الاصطناعي للرؤية في الرعاية الصحية في رسم ملامح المستقبل، من خلال زيارة صفحات حلولنا.