تبسيط التعليق التوضيحي للصور باستخدام Ultralytics Platform

قدّمت Ultralytics مؤخرًا منصة Ultralytics، وهي بيئة مصممة لدعم دورة الحياة الكاملة لتطوير الرؤية الحاسوبية. وتجمع المنصة في مكان واحد الأدوات المستخدمة لإدارة المراحل المختلفة لسير عمل الذكاء الاصطناعي للرؤية، بما في ذلك إعداد مجموعات البيانات، ووسم الصور والفيديو، وتدريب النماذج، والنشر.

على الرغم من تزايد اعتماد حلول الرؤية الحاسوبية في قطاعات مثل القيادة الذاتية والرعاية الصحية، لا يزال بناء هذه الحلول يُنظر إليه على أنه عملية مجزأة. ويتمثل أحد الأسباب الرئيسية في اعتماد نماذج الرؤية الحاسوبية بدرجة كبيرة على جودة البيانات التي تُدرَّب عليها. وقبل بدء التدريب، يجب إنشاء مجموعات البيانات وتنظيمها ومراجعتها ووسمها حتى يتعلم النموذج ما ينبغي اكتشافه أو التعرّف عليه.

عند العمل باستخدام البيانات المرئية، تُعرف هذه العملية باسم وسم البيانات أو وسم الصور. وأثناء وسم الصور، تُحدَّد أجزاء معينة من الصورة وتُسنَد إليها تسميات ترشد النموذج أثناء التدريب.

على سبيل المثال، إذا كان الهدف هو اكتشاف الكلاب في الصور، فقد يرسم واضعو الوسوم مربعات إحاطة حول كل كلب لإظهار موضعه. وفي المهام الأكثر تفصيلًا، قد يحددون شكل الكلب باستخدام أقنعة التجزئة أو يحددون النقاط المفتاحية لالتقاط وضعيته. وتؤثر هذه الأمثلة الموسومة مباشرةً في مدى جودة أداء النموذج بعد نشره.

قد تكون إدارة سير عمل وسم الصور على نطاق واسع أمرًا صعبًا. فغالبًا ما تتطلب مجموعات البيانات الكبيرة معايير وسم متسقة، وتعاونًا بين عدة واضعي وسوم، وأدوات تجعل مراجعة الوسوم وتنقيحها أكثر سهولة.

تجمع منصة Ultralytics هذه الإمكانات من خلال محرر وسم مدمج. وهو يدعم أنواعًا متعددة من مهام الوسم، ويمنح الفرق طريقة أبسط لوسم البيانات وإعداد مجموعات بيانات الرؤية الحاسوبية ضمن سير عمل واحد.

الشكل 1. نظرة على محرر الوسم في منصة Ultralytics (المصدر)

في هذه المقالة، سنستكشف كيفية مساعدة محرر الوسم في منصة Ultralytics للفرق على وسم مجموعات البيانات بكفاءة وتبسيط إعداد البيانات. لنبدأ!

وسم البيانات في الرؤية الحاسوبية#

قبل استكشاف أدوات وسم الصور المتاحة على منصة Ultralytics، لنتوقف قليلًا لفهم ماهية وسم البيانات وسبب أهميته في بناء أنظمة الرؤية الحاسوبية.

تتعلم نماذج الرؤية الحاسوبية من خلال تحليل مجموعات كبيرة من الصور أو مقاطع الفيديو تُعرف باسم مجموعات البيانات. إلا أن الصور الخام وحدها لا توفر معلومات كافية للنموذج لفهم ما ينبغي اكتشافه أو التعرّف عليه. ولجعل البيانات مفيدة للتدريب، يجب وسم الصور من خلال وسم البيانات حتى يتعلم النموذج ما الكائنات أو الأشكال أو الأنماط التي ينبغي البحث عنها.

أثناء وسم الصور، تُحدَّد عناصر معينة داخل الصورة وتُسنَد إليها تسميات تصف ما ينبغي أن يتعلمه النموذج. وتوجّه هذه الأمثلة الموسومة نماذج التعلم العميق والخوارزميات أثناء التدريب، وتساعدها على التعرّف على الأنماط المماثلة عند معالجة صور جديدة.

تتطلب مهام الرؤية الحاسوبية المختلفة أنواعًا مختلفة من وسم الصور، بحسب التطبيق وحالة الاستخدام. فعلى سبيل المثال، قد يرسم واضعو الوسوم مربعات إحاطة حول الكائنات للكشف عن الكائنات، أو يحددون المناطق في الصورة للتجزئة الدلالية، أو يعرّفون النقاط المفتاحية لتقدير الوضعية، أو يسنِدون تسميات إلى الصورة بأكملها للتصنيف.

إدارة البيانات وإعدادها#

غالبًا ما يتضمن إعداد البيانات لمشروعات الرؤية الحاسوبية العمل باستخدام تنسيقات ملفات مختلفة وتنظيم مجموعات البيانات. ويشمل أيضًا التأكد من جاهزية كل شيء لوسم خوارزميات التعلم الآلي وتدريبها. وفي كثير من عمليات سير العمل، تتوزع هذه العملية بين أدوات متعددة، إذ تُرفع البيانات وتنقّى وتنقل بين الأنظمة قبل استخدامها.

تبسّط منصة Ultralytics هذه العملية من خلال التعامل مع إعداد البيانات وتدريب النماذج والنشر ضمن بيئة واحدة. ويمكن للفرق رفع الصور أو مقاطع الفيديو أو أرشيفات مجموعات البيانات، والاستفادة من نهج قابل للتخصيص بالكامل لإعداد بياناتها باستخدام وسوم يدوية أو مؤتمتة بالذكاء الاصطناعي. وتدعم منصة Ultralytics البيانات الخام والتنسيقات القياسية مثل YOLO وCOCO، مما يسهّل بدء المشروعات الجديدة. كما تتيح الوصول إلى مجموعات البيانات الموجودة على المنصة، بما في ذلك مجموعات البيانات الموسومة التي يمكن للفرق استخدامها لبدء مشروعات أو تجارب جديدة بسرعة.

الشكل 2. رفع مجموعات البيانات وإدارتها في بيئة واحدة على منصة Ultralytics. (المصدر)

بمجرد توفر البيانات، يمكن إدارتها مباشرةً على المنصة. ويمكن للمطورين مراجعة الصور، ومراقبة التقدم في عملية الوسم، واستخدام التصورات المرئية المدمجة لفهم توزيع مجموعة البيانات وتحديد الثغرات المحتملة.

تدعم المنصة أيضًا إصدار مجموعات البيانات، مما يساعد الفرق على التقاط لقطات من بياناتها مع تطورها. وهذا يسهّل تتبع التغييرات ومقارنة التجارب والحفاظ على الاتساق أثناء التدريب.

بعد إعداد البيانات، يمكن للفرق الانتقال إلى وسم الصور، حيث تُوسَم لمساعدة النماذج على تعلم ما ينبغي اكتشافه.

وسم مجموعات البيانات على منصة Ultralytics#

بعد رفع البيانات، تتمثل الخطوة التالية في الوسم. ففي هذه المرحلة تُوسَم بيانات الصور، مما يضع الأسس اللازمة لتدريب نماذج الرؤية الحاسوبية. وتتضمن منصة Ultralytics خدمات مدمجة لوسم الصور من خلال محرر وسم يتيح للفرق وسم مجموعات البيانات وإدارتها مباشرةً ضمن البيئة نفسها.

يظهر محرر الوسم في مساحة عمل بسيطة حيث يمكن للمستخدمين مراجعة الصور وإضافة التسميات وتحديث الوسوم حسب الحاجة. وتُنظَّم كل العناصر في مكان واحد، مما يسهّل الحفاظ على اتساق مجموعات البيانات وجاهزيتها لتدريب البيانات.

يمكن للفرق رفع مجموعات البيانات وبدء وسم الصور مباشرةً في المتصفح، مع تعريف فئات الوسوم وإدارتها لضمان اتساق التسميات عبر مجموعة البيانات. ومع إنشاء الوسوم، يستطيع المستخدمون مراجعتها بصريًا في المحرر، مما يسهّل التحقق من دقتها قبل الانتقال إلى تدريب النموذج.

أدوات وسم الصور في منصة Ultralytics#

تتضمن منصة Ultralytics أيضًا عدة إمكانات تدعم عمليات سير عمل وسم مجموعات البيانات بكفاءة، وتبسّط عملية الوسم باستخدام خوارزميات متقدمة.

فيما يلي بعض الميزات الرئيسية المتاحة في منصة Ultralytics:

• الوسم اليدوي: يتيح هذا النهج للمستخدمين تحكمًا ومرونة كاملين عند إنشاء وسوم الصور، مثل مربعات الإحاطة أو مناطق التجزئة أو النقاط المفتاحية، مباشرةً على الصور.
• الوسم بمساعدة الذكاء الاصطناعي: تنشئ هذه الميزة وسومًا مقترحة تلقائيًا، مما يقلل الحاجة إلى الوسم اليدوي. وتستخدم SAM (نموذج تجزئة أي شيء) لاكتشاف الكائنات أو المناطق بنقرة واحدة، فتبسّط عملية الوسم وتساعد المستخدمين على مراجعة الاقتراحات وتأكيدها قبل إضافتها إلى مجموعة البيانات.
• تحرير الوسوم: يمكن للمستخدمين في أي وقت تعديل وسوم الصور أو تنقيحها بعد إنشائها. ويساعد ذلك على تصحيح أخطاء الوسم والحفاظ على اتساق تسميات مجموعة البيانات طوال عملية الوسم.
• إدارة الفئات: يمكن للفرق والمطورين المنفردين تعريف فئات الوسوم المستخدمة أثناء وسم مجموعة البيانات وتنظيمها. ويساعد ذلك على اتساق التسميات عبر الصور، وهو أمر مهم لتدريب نماذج قادرة على التعرّف على الفئات والتمييز بينها بدقة.

من خلال الجمع بين الأدوات اليدوية والذكاء الاصطناعي والأتمتة، تساعد منصة Ultralytics المستخدمين على وسم الصور بكفاءة أكبر. كما تتيح إعداد بيانات تدريب عالية الجودة لنماذج الرؤية الحاسوبية القابلة للتوسع.

أنواع مهام الوسم المدعومة#

تتطلب حالات الاستخدام المختلفة، مثل ضمان جودة المنتجات، أنواعًا مختلفة من الوسم بحسب ما يجب اكتشافه داخل الصور أو مقاطع الفيديو. وكما أشرنا أعلاه، تدعم منصة Ultralytics خمس مهام للكشف عن الكائنات، لكل منها نوع الوسم الخاص بها.

لنلقِ نظرةً أقرب على مهام الوسم التي تدعمها المنصة وكيف يمكن استخدامها لوسم مجموعات البيانات.

اكتشاف الأجسام#

يحدد الكشف عن الكائنات الكائنات الموجودة داخل الصورة ويحدد مواقعها. ويضع واضعو الوسوم علامات على كل كائن موضع اهتمام باستخدام مربعات الإحاطة، موضحين أماكن ظهور العناصر في الصورة.

في محرر الوسم، يُنفَّذ ذلك باستخدام أداة مربع الإحاطة. ويمكن للمستخدمين الدخول إلى «وضع التحرير»، ثم النقر والسحب لرسم مستطيل حول كائن، وإسناد تسمية فئة إليه من قائمة منسدلة.

يمكن ضبط مربعات الإحاطة بعد إنشائها. إذ يستطيع واضعو الوسوم تغيير حجمها بسحب مقابض الزوايا أو الحواف، ونقلها بسحب مركز المربع، أو حذفها باستخدام اختصارات لوحة المفاتيح. وتساعد هذه الوسوم نماذج الرؤية على تعلم اكتشاف الكائنات عبر مشاهد وظروف مختلفة.

الشكل 3. وسم الكشف عن الكائنات باستخدام مربعات الإحاطة في منصة Ultralytics. (المصدر)

تجزئة المثيلات#

توفر تجزئة الكائنات تفاصيل أكثر عن الوسوم من خلال تحديد الشكل الدقيق للكائنات داخل الصورة. وبدلًا من رسم مربع بسيط، يتتبع واضعو الوسوم حدود الكائن باستخدام وسم المضلعات لإنشاء أقنعة دقيقة لمهام تجزئة الصور.

يتضمن محرر الوسم أداة مضلع لهذه المهمة. ويضع واضعو الوسوم عدة رؤوس حول حواف الكائن لتحديد شكله. وبعد وضع الرؤوس، يمكن إغلاق المضلع لإنشاء قناع تجزئة.

يمكن ضبط الرؤوس بعد إنشاء المضلع. إذ يمكن نقل النقاط الفردية لتنقيح حدود الكائن، كما يمكن إزالة الرؤوس عند الحاجة. وتساعد هذه الوسوم على مستوى البكسل النماذج على تعلم البنى المرئية التفصيلية والتمييز بين الكائنات المتقاربة.

تقدير الوضعية#

تلتقط وسوم تقدير الوضعية مواضع مفاصل الجسم والعلاقات بينها. ويساعد ذلك النماذج على فهم بنية الأشخاص أو الحيوانات وحركتهم في الصورة.

وباستخدام أداة النقاط المفتاحية، يضع واضعو الوسوم نقاطًا مفتاحية تمثل مفاصل الجسم مثل الكتفين والمرفقين والمعصمين والوركين والركبتين والكاحلين. وتدعم المنصة عدة قوالب مدمجة للهياكل العظمية، بما في ذلك تنسيق وضعية الإنسان في COCO ذي النقاط الـ17، بالإضافة إلى قوالب لليدين والوجوه والكلاب وزوايا الصناديق.

تتيح القوالب وضع تخطيط كامل للهيكل العظمي بنقرة واحدة، وبعد ذلك يمكن ضبط النقاط المفتاحية الفردية لتطابق الوضعية في الصورة. ويمكن أن تتضمن كل نقطة مفتاحية أيضًا علامة رؤية تشير إلى ما إذا كانت مرئية أو محجوبة.

الشكل 4. وسم تقدير الوضعية باستخدام النقاط المفتاحية وقوالب الهياكل العظمية. (المصدر)

مربعات الإحاطة الموجّهة (OBB)#

تتجاوز مربعات الإحاطة الموجّهة مربعات الإحاطة التقليدية بدعم الدوران. ويكون هذا النوع من الوسوم مفيدًا عندما تظهر الكائنات بزوايا مختلفة بدلًا من محاذاتها مع إطار الصورة.

في محرر الوسم، يمكن لواضعي الوسوم استخدام أداة مربع الإحاطة الموجّه لرسم مستطيلات مدوّرة حول الكائنات. وبعد رسم المربع الأولي، يمكن استخدام مقبض الدوران لضبط الزاوية، بينما تتيح مقابض الزوايا تغيير حجم المربع.

تُستخدم الوسوم المدوّرة غالبًا في الصور الجوية، ومجموعات بيانات الفحص الصناعي، وغيرها من السيناريوهات التي تظهر فيها الكائنات قطريًا أو من وجهات نظر مختلفة.

الشكل 5. وسم مربع إحاطة موجّه (OBB) للكائنات المدوّرة في الصور الجوية. (المصدر)

تصنيف الصور#

يسند تصنيف الصور تسمية إلى الصورة بأكملها بدلًا من تحديد الكائنات الفردية داخلها.

بالنسبة إلى مجموعات بيانات التصنيف، يوفر محرر الوسم لوحة لاختيار الفئات. ويمكن لواضعي الوسوم إسناد تسميات إلى الصور من خلال اختيار فئة من الشريط الجانبي أو استخدام اختصارات لوحة المفاتيح لتسريع عملية الوسم.

تساعد هذه التسميات على مستوى الصورة النماذج على تعلم الأنماط المرئية عالية المستوى التي تمثل الفئات المختلفة.

الوسم بمساعدة الذكاء الاصطناعي باستخدام SAM#

غالبًا ما يتطلب وسم الصور لمهام مثل التجزئة عملًا دقيقًا ومفصلًا، ولا سيما عندما يلزم تحديد حدود الكائنات بدقة. وتتضمن منصة Ultralytics أدوات وسم بمساعدة الذكاء الاصطناعي تسرّع العملية مع الحفاظ على دقة الوسوم وسهولة مراجعتها.

فعلى سبيل المثال، يمكن لواضعي الوسوم التفاعل مع الصورة من خلال النقر على أجزاء الكائن التي يرغبون في تضمينها في الوسم. كما يمكنهم تحديد المناطق التي ينبغي استبعادها لتنقيح النتيجة. واستنادًا إلى هذه المدخلات، ينشئ النموذج قناع تجزئة في الوقت الفعلي، يمكن بعد ذلك مراجعته وضبطه قبل حفظه.

يسهّل هذا النهج التعامل مع الصور المعقدة دون الحاجة إلى تتبع كل تفصيل يدويًا. وفي الوقت نفسه، يظل واضعو الوسوم مسيطرين على الناتج النهائي، مما يضمن اتساق الوسوم عبر مجموعة البيانات.

الشكل 6. التجزئة بمساعدة الذكاء الاصطناعي باستخدام أداة الوسم الذكي في منصة Ultralytics. (المصدر)

تعمل هذه الميزات باستخدام نماذج تجزئة أي شيء (SAM). وتنتمي هذه النماذج إلى منظومة أوسع من أدوات الرؤية الحاسوبية مفتوحة المصدر المصممة لإنشاء تجزئات عالية الجودة من مدخلات محدودة. وتدعم المنصة عدة إصدارات من SAM، بما في ذلك SAM 2.1 وSAM 3. ويمنح ذلك الفرق مرونة الاختيار بين أداء أسرع ونتائج أكثر تفصيلًا استنادًا إلى احتياجاتها.

يمكن تطبيق هذه الأدوات المساعدة بالذكاء الاصطناعي على مهام مثل الكشف عن الكائنات، وتجزئة الكائنات، والكشف باستخدام مربعات الإحاطة الموجّهة. وهذا يعني أن الفرق تستطيع معالجة مجموعات البيانات الكبيرة بكفاءة أكبر مع الحفاظ على الجودة اللازمة لتدريب نماذج موثوقة.

تحسين عمليات سير عمل الوسم باستخدام الأدوات المدمجة#

مع تقدم أعمال الوسم، من الشائع الرجوع إلى التسميات وضبطها أو تصحيح الأخطاء أو مراجعة الصور بمزيد من التفصيل. ويتضمن محرر وسم Ultralytics أدوات مدمجة تجعل التعامل مع هذه المهام اليومية أسهل وأقل استهلاكًا للوقت.

تشمل بعض ميزات سير العمل المتاحة في المحرر ما يلي:

• اختصارات لوحة المفاتيح: يتضمن المحرر اختصارات تسرّع الإجراءات الشائعة، مثل حفظ الوسوم والتراجع عن التغييرات أو إعادتها وحذف التسميات واختيار الفئات أثناء الوسم.
• سجل التراجع والإعادة: يمكن لواضعي الوسوم بسهولة عكس التغييرات التي أُجريت أثناء جلسة التحرير أو استعادتها. ويساعد ذلك الفرق على تجربة الوسوم وإصلاح الأخطاء بسرعة دون فقدان التقدم، مما يدعم ضبطًا أفضل للجودة أثناء إعداد مجموعة البيانات.
• تحرير مرن للوسوم: يمكن ضبط الوسوم حتى بعد إنشائها. إذ يستطيع المستخدمون تغيير حجم الأشكال ونقل الوسوم وتدوير مربعات الإحاطة الموجّهة أو تحديث تسميات الفئات حسب الحاجة، ولا سيما عند تنقيح الكائنات ذات الأشكال غير المنتظمة.
• عناصر التحكم في مستوى الرؤية: يتضمن المحرر مفاتيح تبديل للرؤية تتيح للمستخدمين إظهار الوسوم وتسميات الفئات أو إخفاءها، مما يسهّل فحص الصور أثناء الوسم.
• أدوات الدقة: تساعد ميزات مثل التكبير ومؤشر التصويب ذي الإحداثيات البكسلية واضعي الوسوم على وضع التسميات بدقة أكبر عند العمل على صور مفصلة.

إدارة فئات الوسوم على منصة Ultralytics#

تؤدي فئات الوسوم الواضحة والمتسقة دورًا مهمًا في بناء مجموعات بيانات موثوقة للرؤية الحاسوبية. ومع نمو المشروعات، قد تصبح إدارة وسم البيانات عبر مجموعات البيانات الكبيرة صعبة، لا سيما عند مشاركة عدة واضعي وسوم. ويساعد تنظيم الفئات جيدًا على ضمان اتساق الوسوم وتعلم النماذج من بيانات منظمة.

تبسّط منصة Ultralytics هذه العملية من خلال دمج إدارة الفئات مباشرةً في محرر الوسم. وبدلًا من التعامل مع التسميات بصورة منفصلة، يمكن للفرق إنشاء الفئات وتحديثها ومراجعتها أثناء العمل على الصور، مما يسهّل الحفاظ على الاتساق طوال سير عمل الوسم.

تتوفر جميع الفئات داخل المحرر في شريط جانبي بجوار لوحة الوسم. ويسهّل ذلك اختيار التسمية الصحيحة أثناء الوسم وتتبع كيفية استخدام الفئات عبر مجموعة البيانات. ويمكن للمستخدمين البحث عن الفئات الموجودة أو إنشاء فئات جديدة حسب الحاجة دون مقاطعة سير عملهم.

يمكن أيضًا تحديث تفاصيل الفئات في أي وقت. إذ يمكن تحرير الأسماء مباشرةً، كما يمكن تعيين ألوان لتسهيل تمييز الفئات المختلفة عبر الوسوم. ويعرض المحرر أيضًا عدد الوسوم المرتبطة بكل فئة، ويتيح للمستخدمين مراجعتها، مما يساعد الفرق على التحقق من الاتساق والدقة.

تُدار جميع الفئات من خلال جدول مركزي يمكن فرزه والبحث فيه وتحديثه. وتُطبَّق أي تغييرات تُجرى هنا تلقائيًا عبر مجموعة البيانات، مما يساعد الفرق على الحفاظ على الاتساق مع توسع مشروعات الوسم.

الشكل 7. تعرض إدارة الفئات في محرر الوسم تنظيم التسميات وتخصيص الألوان. (المصدر)

كيف تؤثر جودة الوسم في الأداء الواقعي#

مع انتقال أنظمة الرؤية الحاسوبية من التطوير إلى الاستخدام الواقعي، تؤدي جودة البيانات الموسومة دورًا رئيسيًا في أداء النماذج. وتساعد مجموعات البيانات الموسومة جيدًا النماذج على إنتاج تنبؤات أكثر دقة واتساقًا، ولا سيما في البيئات الديناميكية أو غير المتوقعة.

عمليًا، يمكن حتى لأوجه عدم الاتساق الصغيرة في الوسم أن تؤثر في سلوك النموذج. وقد لا تكون الاختلافات في طريقة وسم الكائنات أو التعامل مع الحالات الحدية واضحة أثناء التدريب، لكنها قد تؤدي إلى تنبؤات أقل موثوقية بعد نشر الأنظمة.

وفوق ذلك، قد تصبح أوجه عدم الاتساق هذه أكثر وضوحًا في التطبيقات الواقعية. فعلى سبيل المثال، تعتمد النماذج في أنظمة الروبوتات والرعاية الصحية على المدخلات المرئية لاكتشاف الكائنات وتوجيه الإجراءات في الوقت الفعلي. ويمكن أن تؤثر الاختلافات في الوسم في مدى دقة تفسير هذه الأنظمة لما يحيط بها.

ومن خلال الحفاظ على ممارسات وسم متسقة واستخدام منصات مثل Ultralytics لإدارة مجموعات البيانات وتنقيحها بمرور الوقت، تستطيع الفرق بناء نماذج تؤدي عملها بموثوقية أكبر خارج بيئات الاختبار الخاضعة للتحكم.

أهم النقاط المستخلصة#

يُعد وسم البيانات عالي الجودة أمرًا أساسيًا لتدريب نماذج رؤية حاسوبية دقيقة ودعم نجاح مشروعات وسم الصور. وتبسّط منصة Ultralytics هذه العملية من خلال محرر وسم قوي يدعم مهام رؤية متعددة. ومن خلال الجمع بين أدوات الوسم اليدوي والوسم بمساعدة الذكاء الاصطناعي باستخدام SAM وميزات سير العمل المدمجة، تستطيع الفرق إعداد مجموعات البيانات بكفاءة أكبر والانتقال بسرعة أكبر من إعداد البيانات إلى تطوير النماذج.

انضم إلى مجتمعنا واستكشف مستودع GitHub لمعرفة المزيد عن نماذج الرؤية الحاسوبية. واقرأ عن تطبيقات مثل الذكاء الاصطناعي في قطاع السيارات والرؤية الحاسوبية في الروبوتات في صفحات حلولنا. وتعرّف على خيارات الترخيص وابدأ في بناء نموذج الذكاء الاصطناعي الخاص بك للرؤية.