أهمية مجموعات بيانات الرؤية الحاسوبية عالية الجودة

بحلول عام 2019، ارتفع اعتماد المؤسسات للذكاء الاصطناعي (AI) بنسبة 270% خلال السنوات الأربع السابقة. وقد أسهم هذا النمو في تسريع دمج تطبيقات الرؤية الحاسوبية (CV)، وهي أنظمة ذكاء اصطناعي تمكّن الآلات من تفسير البيانات المرئية من العالم المحيط بها وتحليلها. وتدعم هذه التطبيقات مجموعة واسعة من التقنيات، بدءًا من كشف الأمراض في الصور الطبية وتمكين المركبات ذاتية القيادة، وصولًا إلى تحسين تدفق حركة المرور في قطاع النقل وتعزيز المراقبة في الأنظمة الأمنية.

ساعدت دقة نماذج الرؤية الحاسوبية المتطورة وأداؤها، مثل Ultralytics YOLO11، على دفع هذا النمو. غير أن أداء هذه النماذج يعتمد بدرجة كبيرة على جودة البيانات وكميتها المستخدمة في تدريب النماذج والتحقق من صحتها واختبارها.

من دون بيانات كافية وعالية الجودة، قد يصعب تدريب نماذج الرؤية الحاسوبية وضبطها بدقة بفاعلية لتلبية معايير القطاع. في هذا المقال، سنستكشف الدور الحيوي للبيانات في إنشاء نماذج الرؤية الحاسوبية، وسبب أهمية البيانات عالية الجودة في هذا المجال. وسنتناول أيضًا بعض النصائح لمساعدتك على إنشاء مجموعات بيانات عالية الجودة أثناء العمل على تدريب نماذج رؤية حاسوبية مخصصة.

دور البيانات في بناء نماذج الرؤية الحاسوبية#

يمكن تدريب نماذج الرؤية الحاسوبية على مجموعات بيانات كبيرة من الصور ومقاطع الفيديو للتعرف على الأنماط وإجراء تنبؤات دقيقة. فعلى سبيل المثال، يمكن تدريب نموذج كشف الأجسام على مئات، أو حتى آلاف، الصور ومقاطع الفيديو المصنفة لتحديد الأجسام بدقة.

تؤثر جودة بيانات التدريب هذه وكميتها في أداء النموذج.

بما أن نماذج الرؤية الحاسوبية لا تتعلم إلا من البيانات التي تتعرض لها، فإن توفير بيانات عالية الجودة وأمثلة متنوعة أمر بالغ الأهمية لنجاحها. ومن دون مجموعات بيانات كافية ومتنوعة، قد تعجز هذه النماذج عن تحليل سيناريوهات العالم الحقيقي بدقة، وقد تنتج نتائج متحيزة أو غير دقيقة.

لذلك، من المهم فهم دور البيانات بوضوح في تدريب النموذج. وقبل استعراض خصائص البيانات عالية الجودة، دعونا نتعرف على أنواع مجموعات البيانات التي قد تصادفونها عند تدريب نماذج الرؤية الحاسوبية.

أنواع مجموعات بيانات الرؤية الحاسوبية#

في الرؤية الحاسوبية، تُصنف البيانات المستخدمة في التدريب إلى ثلاثة أنواع، لكل منها غرض محدد. إليك لمحة سريعة عن كل نوع:

• بيانات التدريب: مجموعة البيانات الأساسية المستخدمة لتدريب النموذج من الصفر. وتتكون من صور ومقاطع فيديو ذات تسميات محددة مسبقًا، ما يتيح للنموذج تعلم الأنماط والتعرف على الأجسام.
• بيانات التحقق: مجموعة من البيانات تُستخدم للتحقق من مدى جودة أداء النموذج أثناء تدريبه. وتساعد على ضمان عمل النموذج على نحو صحيح مع البيانات الجديدة التي لم يسبق له رؤيتها.
• بيانات الاختبار: مجموعة بيانات منفصلة تُستخدم لتقييم الأداء النهائي لنموذج مدرّب. وتتحقق من مدى قدرة النموذج على إجراء تنبؤات بشأن بيانات جديدة تمامًا لم يسبق له الاطلاع عليها.

الشكل 1. كيفية تصنيف البيانات في الرؤية الحاسوبية.

أهم 5 سمات لمجموعات بيانات الرؤية الحاسوبية عالية الجودة#

بغض النظر عن نوع مجموعة البيانات، تُعد البيانات عالية الجودة ضرورية لبناء نماذج ناجحة للرؤية الحاسوبية. إليكم بعض الخصائص الأساسية التي تجعل مجموعة البيانات عالية الجودة:

• الدقة: يُفضّل أن تعكس البيانات مواقف العالم الحقيقي عن كثب وأن تتضمن تسميات صحيحة. فعلى سبيل المثال، عند استخدام الذكاء الاصطناعي للرؤية في الرعاية الصحية، يجب تصنيف صور الأشعة السينية أو صور الفحوصات بدقة لمساعدة النموذج على التعلم على نحو سليم.
• التنوع: تتضمن مجموعة البيانات الجيدة أمثلة متنوعة لمساعدة النموذج على الأداء بكفاءة في مواقف مختلفة. فعلى سبيل المثال، إذا كان النموذج يتعلم اكتشاف السيارات، فينبغي أن تتضمن مجموعة البيانات سيارات بأشكال وأحجام وألوان مختلفة، وفي ظروف متنوعة (نهارًا، وليلًا، وأثناء المطر، وغير ذلك).
• الاتساق: تلتزم مجموعات البيانات عالية الجودة بتنسيق موحد ومعايير جودة ثابتة. فعلى سبيل المثال، ينبغي أن تكون الصور ذات دقة متقاربة (ألا تكون بعضها ضبابية وبعضها الآخر واضحة)، وأن تخضع لخطوات المعالجة المسبقة نفسها، مثل تغيير الحجم أو ضبط الألوان، ليتعلم النموذج من معلومات متسقة.
• الحداثة: تساعد مجموعات البيانات التي تُحدّث بانتظام على مواكبة التغيرات في العالم الحقيقي. لنفترض أنك تدرب نموذجًا لكشف جميع أنواع المركبات. إذا ظهرت أنواع جديدة، مثل الدراجات الكهربائية الصغيرة، فينبغي إضافتها إلى مجموعة البيانات لضمان استمرار دقة النموذج ومواكبته للتطورات.
• الخصوصية: إذا تضمنت مجموعة البيانات معلومات حساسة، مثل صور الأشخاص، فيجب أن تلتزم بقواعد الخصوصية. ويمكن لتقنيات مثل إخفاء الهوية (إزالة التفاصيل التي تكشف الهوية) وإخفاء البيانات (حجب الأجزاء الحساسة) حماية الخصوصية مع إتاحة استخدام البيانات بأمان.

التحديات الناجمة عن البيانات منخفضة الجودة#

مع أهمية فهم سمات البيانات عالية الجودة، لا تقل أهمية مراعاة تأثير البيانات منخفضة الجودة في نماذج الرؤية الحاسوبية.

يمكن لمشكلات مثل فرط التكيّف ونقص التكيّف أن تؤثر بشدة في أداء النموذج. يحدث فرط التكيّف عندما يحقق النموذج أداءً جيدًا على بيانات التدريب لكنه يواجه صعوبة مع البيانات الجديدة أو التي لم يسبق له رؤيتها، وغالبًا ما يرجع ذلك إلى افتقار مجموعة البيانات إلى التنوع. أما نقص التكيّف، فيحدث عندما لا توفر مجموعة البيانات أمثلة كافية أو جودة مناسبة ليتعلم النموذج أنماطًا ذات معنى. ولتجنب هذه المشكلات، من الضروري الحفاظ على مجموعات بيانات متنوعة وغير متحيزة وعالية الجودة، بما يضمن أداءً موثوقًا أثناء التدريب وفي تطبيقات العالم الحقيقي.

الشكل 2. نقص التكيّف مقابل فرط التكيّف.

قد تصعّب البيانات منخفضة الجودة أيضًا على النماذج استخلاص الأنماط ذات المعنى من البيانات الأولية والتعلم منها، وهي عملية تُعرف باسم استخراج الميزات. وإذا كانت مجموعة البيانات غير مكتملة أو غير ذات صلة أو تفتقر إلى التنوع، فقد يواجه النموذج صعوبة في تحقيق أداء فعّال.

قد تنتج البيانات منخفضة الجودة أحيانًا عن تبسيط البيانات. ويمكن أن يساعد تبسيط البيانات على توفير مساحة التخزين وتقليل تكاليف المعالجة، لكن الإفراط في التبسيط قد يزيل تفاصيل مهمة يحتاج إليها النموذج ليعمل جيدًا. لذلك من المهم جدًا الحفاظ على جودة البيانات طوال عملية الرؤية الحاسوبية، من جمع البيانات إلى النشر. وكقاعدة عامة، ينبغي أن تتضمن مجموعات البيانات الميزات الأساسية، مع الحفاظ على تنوعها ودقتها لدعم تنبؤات موثوقة للنماذج.

الشكل 3. فهم استخراج السمات.

نصائح للحفاظ على جودة مجموعة بيانات الرؤية الحاسوبية#

بعد أن تعرفنا على أهمية البيانات عالية الجودة وتأثير البيانات منخفضة الجودة، دعونا نستكشف كيفية ضمان استيفاء مجموعة البيانات لمعايير الجودة العالية.

تبدأ العملية كلها بجمع بيانات موثوقة. ويسهم استخدام مصادر متنوعة، مثل التعهيد الجماعي والبيانات من مناطق جغرافية مختلفة وتوليد البيانات الاصطناعية، في تقليل التحيز ومساعدة النماذج على التعامل مع سيناريوهات العالم الحقيقي. وبعد جمع البيانات، تصبح المعالجة المسبقة ضرورية. إذ تعزز تقنيات مثل التطبيع، الذي يضبط قيم البكسل ضمن نطاق متسق، وزيادة البيانات، التي تطبق تحويلات مثل التدوير والقلب والتكبير، مجموعة البيانات. وتساعد هذه الخطوات نموذجك على التعميم بصورة أفضل وتعزيز متانته، مع تقليل مخاطر فرط التكيّف.

يُعد تقسيم مجموعات البيانات على نحو سليم خطوة أساسية أخرى. ومن الأساليب الشائعة تخصيص 70% من البيانات للتدريب، و15% للتحقق من الصحة، و15% للاختبار. ويساعد التحقق مرة أخرى من عدم وجود تداخل بين هذه المجموعات على منع تسرّب البيانات وضمان دقة تقييم النموذج.

الشكل 4. تقسيم شائع للبيانات بين التدريب والتحقق والاختبار.

يمكنك أيضًا استخدام نماذج مدرّبة مسبقًا مثل YOLO11 لتوفير الوقت والموارد الحاسوبية. دُرّب YOLO11 على مجموعات بيانات كبيرة وصُمم لمهام متنوعة في الرؤية الحاسوبية، ويمكن ضبطه بدقة على مجموعة بياناتك لتلبية احتياجاتك. ومن خلال تكييف النموذج مع بياناتك، يمكنك تجنب فرط التكيّف والحفاظ على أداء قوي.

آفاق مجموعات بيانات الرؤية الحاسوبية#

ركز مجتمع الذكاء الاصطناعي تقليديًا على تحسين الأداء من خلال بناء نماذج أعمق ذات طبقات أكثر. لكن مع استمرار تطور الذكاء الاصطناعي، يتحول التركيز من تحسين النماذج إلى تحسين جودة مجموعات البيانات. ويرى Andrew Ng أن «أهم تحول ينبغي لعالم الذكاء الاصطناعي أن يشهده خلال هذا العقد هو التحول إلى الذكاء الاصطناعي المرتكز على البيانات».

يشدد هذا النهج على تنقيح مجموعات البيانات من خلال تحسين دقة التسميات، وإزالة الأمثلة المشوشة، وضمان التنوع. وتكتسب هذه المبادئ أهمية بالغة في الرؤية الحاسوبية لمعالجة مشكلات مثل التحيز والبيانات منخفضة الجودة، ما يمكّن النماذج من الأداء الموثوق في سيناريوهات العالم الحقيقي.

في المستقبل، سيعتمد تقدم الرؤية الحاسوبية على إنشاء مجموعات بيانات أصغر وعالية الجودة بدلًا من جمع كميات هائلة من البيانات. ووفقًا لـ Andrew Ng، «تحسين البيانات ليس خطوة معالجة مسبقة تُنفذ مرة واحدة؛ بل هو جزء أساسي من العملية التكرارية لتطوير نماذج التعلم الآلي». ومن خلال التركيز على المبادئ التي تجعل البيانات محورًا للعمل، ستواصل الرؤية الحاسوبية أن تصبح أكثر سهولة وكفاءة وتأثيرًا في مختلف القطاعات.

أبرز النقاط#

تؤدي البيانات دورًا بالغ الأهمية طوال دورة حياة نموذج الرؤية. فمن جمع البيانات إلى معالجتها مسبقًا وتدريب النموذج والتحقق منه واختباره، تؤثر جودة البيانات مباشرةً في أداء النموذج وموثوقيته. ومن خلال إعطاء الأولوية للبيانات عالية الجودة ودقة وضع التسميات، يمكننا بناء نماذج متينة للرؤية الحاسوبية تقدم نتائج موثوقة ودقيقة.

مع توجهنا نحو مستقبل قائم على البيانات، من الضروري معالجة الاعتبارات الأخلاقية للحد من المخاطر المرتبطة بالتحيز ولوائح الخصوصية. وفي نهاية المطاف، يُعد ضمان نزاهة البيانات وإنصافها أمرًا أساسيًا لإطلاق الإمكانات الكاملة لتقنيات الرؤية الحاسوبية.

انضموا إلى مجتمعنا واطّلعوا على مستودعنا على GitHub لمعرفة المزيد عن الذكاء الاصطناعي. وتصفحوا صفحات حلولنا لاستكشاف المزيد من تطبيقات الذكاء الاصطناعي في قطاعات مثل الزراعة والتصنيع.