الدليل الشامل لتحسين البيانات في عام 2025

بسبب ازدهار الذكاء الاصطناعي، تتصدر عناوين الأخبار على نحو متزايد ظواهر مثل عمل الروبوتات في المصانع وتنقل السيارات ذاتية القيادة في الشوارع. ويغيّر الذكاء الاصطناعي طريقة تفاعل الآلات مع العالم، بدءًا من تحسين التصوير الطبي، وصولًا إلى المساعدة في مراقبة الجودة على خطوط الإنتاج.

يُعزى جزء كبير من هذا التقدم إلى الرؤية الحاسوبية، وهي فرع من الذكاء الاصطناعي يتيح للآلات فهم الصور وتفسيرها. ومثلما يتعلم البشر التعرّف على الكائنات والأنماط بمرور الوقت، تحتاج نماذج الذكاء الاصطناعي البصري مثل Ultralytics YOLO11 إلى التدريب على كميات كبيرة من بيانات الصور لتطوير فهمها البصري.

لكن جمع هذه الكمية الهائلة من البيانات المرئية ليس سهلًا دائمًا. فعلى الرغم من أن مجتمع الرؤية الحاسوبية أنشأ العديد من مجموعات البيانات الكبيرة، قد تظل بعض الاختلافات غير ممثلة فيها، مثل الصور التي تحتوي على كائنات في إضاءة خافتة، أو عناصر محجوبة جزئيًا، أو أشياء مصوّرة من زوايا مختلفة. وقد تربك هذه الاختلافات نماذج الرؤية الحاسوبية التي دُرّبت على ظروف محددة فقط.

إن تعزيز بيانات الصور تقنية تعالج هذه المشكلة بإضافة تنويعات جديدة إلى البيانات الموجودة. ومن خلال إجراء تغييرات على الصور، مثل ضبط الألوان أو تدوير الصور أو تغيير المنظور، تصبح مجموعة البيانات أكثر تنوعًا، مما يساعد نماذج الذكاء الاصطناعي البصري على التعرّف على الكائنات بصورة أفضل في مواقف العالم الحقيقي.

سنستكشف في هذه المقالة كيفية عمل تعزيز بيانات الصور وتأثيره المحتمل في تطبيقات الرؤية الحاسوبية.

ما تعزيز بيانات الصور؟#

لنفترض أنك تحاول التعرّف على صديق وسط حشد، لكنه يرتدي نظارات شمسية أو يقف في مكان مظلل. حتى مع هذه التغييرات الطفيفة في مظهره، ستظل تعرفه. أما نموذج الذكاء الاصطناعي البصري، فقد يواجه صعوبة في التعامل مع مثل هذه الاختلافات ما لم يُدرّب على التعرّف على الكائنات في ظروف متنوعة.

يعزز تعزيز بيانات الصور أداء نماذج الرؤية الحاسوبية بإضافة نسخ معدّلة من الصور الموجودة إلى بيانات التدريب، بدلًا من جمع آلاف الصور الجديدة.

تُعرّف التغييرات التي تُجرى على الصور، مثل القلب والتدوير وضبط السطوع وإضافة تشوهات طفيفة، نماذج الذكاء الاصطناعي البصري على نطاق أوسع من الظروف. وبدلًا من الاعتماد على مجموعات بيانات ضخمة، يمكن للنماذج التعلّم بكفاءة من مجموعات تدريب أصغر تحتوي على صور معززة.

الشكل 1. أمثلة على صور معززة لسيارة.

أهمية تعزيز البيانات في الرؤية الحاسوبية#

فيما يلي بعض الأسباب الرئيسية التي تجعل التعزيز ضروريًا للرؤية الحاسوبية:

• تقليل متطلبات البيانات: يتطلب جمع مجموعات بيانات صور كبيرة وقتًا وموارد. ويمكن استخدام التعزيز لتدريب النماذج بفعالية دون الحاجة إلى مجموعات بيانات ضخمة.
• يحدّ من فرط التخصيص: قد يحفظ النموذج المدرّب على عدد قليل جداً من الأمثلة تفاصيل البيانات بدلاً من التعرف على الأنماط العامة. وتضمن إضافة التنوع عبر زيادة البيانات أن تتعلم نماذج ذكاء الرؤية بطريقة تنطبق على البيانات الجديدة التي لم ترها من قبل.
• محاكاة الصور غير المثالية: غالبًا ما تكون الصور في مجموعات البيانات مثالية أكثر من اللازم، بينما قد تكون الصور الواقعية ضبابية أو محجوبة أو مشوهة. ويجعل تعزيز الصور بالتشويش أو الحجب أو غير ذلك من الاختلافات الصور أكثر واقعية.
• تعزيز متانة النموذج: يساعد التدريب على مجموعة متنوعة من الصور الذكاء الاصطناعي على التعامل مع التغيرات في العالم الحقيقي، مما يجعله أكثر موثوقية في البيئات وظروف الإضاءة والمواقف المختلفة.

متى ينبغي استخدام تعزيز بيانات الصور؟#

يكون تعزيز بيانات الصور مفيدًا خصوصًا عندما يحتاج نموذج الرؤية الحاسوبية إلى التعرّف على الكائنات في مواقف مختلفة، لكن لا تتوفر لديه صور متنوعة كافية.

فعلى سبيل المثال، إذا كان الباحثون يدربون نموذج ذكاء اصطناعي بصريًا لتحديد أنواع نادرة من الكائنات البحرية تحت الماء، والتي نادرًا ما تُصوّر، فقد تكون مجموعة البيانات صغيرة أو تفتقر إلى التنوع. ومن خلال تعزيز الصور — بضبط الألوان لمحاكاة أعماق مائية مختلفة، وإضافة التشويش لمحاكاة ظروف المياه العكرة، أو تغيير الأشكال قليلًا لمراعاة الحركة الطبيعية — يمكن للنموذج اكتشاف الكائنات تحت الماء بدقة أكبر.

فيما يلي مواقف أخرى يُحدث فيها التعزيز فرقًا كبيرًا:

• موازنة مجموعة البيانات: قد تظهر بعض الكائنات بوتيرة أقل في بيانات التدريب، مما يجعل نماذج الذكاء الاصطناعي البصري متحيزة. ويساعد التعزيز على إنشاء أمثلة إضافية للكائنات النادرة حتى يتعرف النموذج على جميع الفئات بإنصاف.
• التكيف مع الكاميرات المختلفة: قد تبدو الصور مختلفة بحسب الجهاز المستخدم. ويساعد التعزيز نماذج الذكاء الاصطناعي البصري على الأداء الجيد مع الصور ذات الدقات والإضاءة والجودة المختلفة.
• تصحيح أخطاء التوسيم الطفيفة: تساعد الإزاحات أو الاقتصاصات أو التدويرات الطفيفة نماذج الرؤية الحاسوبية على التعرّف على الكائنات بشكل صحيح، حتى إن لم تكن التسميات الأصلية محاذاة تمامًا.

كيفية عمل تعزيز بيانات الصور#

في البدايات الأولى للرؤية الحاسوبية، كان تعزيز بيانات الصور يعتمد أساسًا على تقنيات معالجة الصور الأساسية، مثل القلب والتدوير والاقتصاص، لزيادة تنوع مجموعة البيانات. ومع تطور الذكاء الاصطناعي، ظهرت أساليب أكثر تقدمًا، مثل ضبط الألوان (تحويلات فضاء الألوان)، وزيادة حدة الصور أو تمويهها (مرشحات النواة)، ومزج صور متعددة معًا (مزج الصور) لتعزيز التعلّم.

يمكن إجراء زيادة البيانات قبل تدريب النموذج وأثناءه. فقبل التدريب، يمكن إضافة صور معدّلة إلى مجموعة البيانات لتوفير مزيد من التنوع. وأثناء التدريب، يمكن تغيير الصور عشوائياً في الوقت الفعلي، ما يساعد نماذج ذكاء الرؤية على التكيف مع ظروف مختلفة. فعلى سبيل المثال، تطبق نماذج Ultralytics YOLO عمليات زيادة عشوائية للبيانات مباشرةً أثناء التدريب، ويمكن ضبط كل منها باستخدام وسيطات التدريب.

تُجرى هذه التغييرات باستخدام تحويلات رياضية. فمثلاً، يؤدي التدوير إلى إمالة الصورة، ويزيل الاقتصاص أجزاء منها لمحاكاة زوايا رؤية مختلفة، بينما تحاكي تغييرات السطوع اختلافات الإضاءة. ويخفف التمويه حدة الصور، ويوضح الشحذ التفاصيل، كما يمزج دمج الصور أجزاءً من صور مختلفة. ويمكن لأطر عمل ذكاء الرؤية وأدوات مثل OpenCV وTensorFlow وPyTorch، إلى جانب مكتبات زيادة البيانات مثل Albumentations، أتمتة هذه العمليات، ما يجعل زيادة البيانات سريعة وفعالة.

تقنيات تعزيز بيانات الصور الأساسية#

بعد أن ناقشنا ماهية تعزيز بيانات الصور، لنتناول عن كثب بعض تقنيات تعزيز بيانات الصور الأساسية المستخدمة لتحسين بيانات التدريب.

ضبط الاتجاه والموضع#

غالبًا ما تحتاج نماذج الرؤية الحاسوبية مثل YOLO11 إلى التعرّف على الكائنات من زوايا ووجهات نظر متعددة. وللمساعدة في ذلك، يمكن قلب الصور أفقيًا أو رأسيًا حتى يتعلم نموذج الذكاء الاصطناعي التعرّف على الكائنات من وجهات نظر مختلفة.

وبالمثل، يغيّر تدوير الصور قليلًا زاويتها، مما يتيح للنموذج تحديد الكائنات من منظورات متعددة. كما تساعد إزاحة الصور في اتجاهات مختلفة (الترجمة) النماذج على التكيف مع التغيرات الطفيفة في المواضع. وتضمن هذه التحويلات تعميم النماذج بصورة أفضل على ظروف العالم الحقيقي، حيث لا يمكن التنبؤ بموضع الكائن في الصورة.

الشكل 2. طرائق مختلفة للتعزيز مرتبطة بالاتجاه والموضع.

تغيير الحجم والاقتصاص#

في حلول الرؤية الحاسوبية الواقعية، قد تظهر الأجسام في الصور على مسافات وأحجام متفاوتة. لذلك يجب أن تكون نماذج ذكاء الرؤية متينة بما يكفي لاكتشافها بصرف النظر عن هذه الاختلافات.

لتحسين القدرة على التكيف، يمكن استخدام طرق التعزيز التالية:

• تغيير الحجم: يؤدي تغيير حجم الصورة إلى تعديل أبعادها مع الحفاظ على تناسبها، ما يتيح لنماذج الذكاء الاصطناعي اكتشاف الأجسام على مسافات مختلفة.
• الاقتصاص: يزيل هذا الأجزاء غير الضرورية من الصورة، ما يساعد النموذج على التركيز على المناطق المهمة ويقلل من تشتيت الخلفية.
• القصّ المائل: يؤدي إمالة الصورة قليلًا إلى محاكاة مظهر مائل أو ممدود، ما يساعد الذكاء الاصطناعي على التعرّف على الأجسام من زوايا مختلفة.

تساعد هذه التعديلات نماذج الرؤية الحاسوبية على التعرّف على الأجسام حتى عند تغيّر حجمها أو شكلها قليلًا.

تعديلات المنظور والتشويه#

قد تبدو الأجسام في الصور مختلفة بحسب زاوية الكاميرا، ما يصعّب على نماذج الرؤية الحاسوبية التعرّف عليها. ولمساعدة النماذج على التعامل مع هذه الاختلافات، يمكن لتقنيات التعزيز تعديل طريقة ظهور الأجسام في الصور.

على سبيل المثال، يمكن لتحويلات المنظور تغيير زاوية الرؤية، بحيث يبدو الجسم كما لو أنه يُرى من موضع مختلف. وهذا يمكّن نماذج الذكاء الاصطناعي للرؤية من التعرّف على الأجسام حتى عندما تكون مائلة أو ملتقطة من منظور غير مألوف.

ومن الأمثلة الأخرى التحويل المرن، الذي يمد الصور أو يثنيها أو يشوهها لمحاكاة التشوهات الطبيعية، بحيث تبدو الأجسام كما تظهر في الانعكاسات أو تحت الضغط.

تعديلات الألوان والإضاءة#

يمكن أن تؤثر ظروف الإضاءة واختلافات الألوان تأثيرًا كبيرًا في كيفية تفسير نماذج الذكاء الاصطناعي للرؤية للصور. وبما أن الأجسام قد تبدو مختلفة في ظل إعدادات الإضاءة المتنوعة، يمكن لتقنيات التعزيز التالية المساعدة على التعامل مع هذه الحالات:

• تعديلات السطوع والتباين: تساعد محاكاة ظروف الإضاءة المختلفة نماذج الذكاء الاصطناعي للرؤية على التعرّف على الأجسام في البيئات الساطعة والمظلمة على حد سواء.
• التغيير العشوائي للألوان: يجعل التغيير العشوائي لدرجة اللون والتشبع وتوازن الألوان نماذج الرؤية الحاسوبية أكثر قدرة على التكيف مع اختلاف الكاميرات وظروف الإضاءة.
• التحويل إلى تدرّج الرمادي: يشجع تحويل الصور إلى الأبيض والأسود نماذج الذكاء الاصطناعي للرؤية على التركيز على الأشكال والأنسجة بدلًا من الألوان.

الشكل 3. أمثلة على التعزيزات المتعلقة باختلافات الألوان.

تقنيات متقدمة لتعزيز بيانات الصور#

حتى الآن، استكشفنا فقط تقنيات زيادة البيانات التي تعدّل صورة واحدة. لكن بعض الأساليب المتقدمة تجمع صوراً متعددة لتحسين تعلم الذكاء الاصطناعي.

على سبيل المثال، يمزج MixUp صورتين معًا، ما يساعد نماذج الرؤية الحاسوبية على فهم العلاقات بين الأجسام ويحسّن قدرتها على التعميم في سيناريوهات مختلفة. أما CutMix فيذهب إلى أبعد من ذلك، إذ يستبدل جزءًا من صورة بقسم من صورة أخرى، ما يتيح للنماذج التعلّم من سياقات متعددة ضمن الصورة نفسها. في المقابل، يعمل CutOut بطريقة مختلفة، إذ يزيل أجزاء عشوائية من الصورة، ويدرّب نماذج الذكاء الاصطناعي للرؤية على التعرّف على الأجسام حتى عندما تكون مخفية جزئيًا أو محجوبة.

الشكل 4. تقنيات متقدمة لتعزيز بيانات الصور.

دور الذكاء الاصطناعي التوليدي في تعزيز بيانات الصور#

يكتسب الذكاء الاصطناعي التوليدي زخماً في قطاعات كثيرة وتطبيقات الحياة اليومية. وربما صادفته في سياق الصور التي يولدها الذكاء الاصطناعي، أو مقاطع الفيديو المزيفة بعمق، أو التطبيقات التي تنشئ صوراً رمزية واقعية. لكن الذكاء الاصطناعي التوليدي يمكن، إلى جانب الإبداع والترفيه، أن يؤدي دوراً مفيداً في تدريب نماذج ذكاء الرؤية عبر توليد صور جديدة من الصور الموجودة.

بدلًا من الاكتفاء بقلب الصور أو تدويرها، يمكنه إنشاء تنويعات واقعية، مثل تغيير تعابير الوجه وأنماط الملابس أو حتى محاكاة أحوال الطقس المختلفة. تساعد هذه التنويعات نماذج الرؤية الحاسوبية على أن تصبح أكثر قدرة على التكيف ودقةً في سيناريوهات العالم الواقعي المتنوعة. كما يمكن لنماذج الذكاء الاصطناعي التوليدي المتقدمة مثل GANs (الشبكات التوليدية التنافسية) ونماذج الانتشار استكمال التفاصيل المفقودة أو إنشاء صور اصطناعية عالية الجودة.

محدوديات تعزيز بيانات الصور#

على الرغم من أن تعزيز البيانات يحسّن مجموعات بيانات التدريب، فهناك أيضًا بعض المحدوديات التي ينبغي مراعاتها. فيما يلي بعض التحديات الرئيسية المتعلقة بتعزيز بيانات الصور:

• محدودية تنوع البيانات: تُشتق الصور المعززة من بيانات موجودة، ولا يمكنها إدخال أنماط جديدة تمامًا أو منظورات نادرة.
• احتمال تشويه البيانات: قد تجعل التحويلات المفرطة الصور غير واقعية، ما قد يقلل دقة النموذج في سيناريوهات العالم الحقيقي.
• زيادة العمليات الحاسوبية: قد يتطلب التعزيز الآني الذي يحدث أثناء تدريب النموذج قدرًا كبيرًا من القدرة الحاسوبية، ما يؤدي إلى إبطاء التدريب وزيادة استخدام الذاكرة.
• استمرار اختلال توازن الفئات: لا ينشئ التعزيز عينات جديدة بالكامل، لذا قد تظل الفئات الأقل تمثيلًا سببًا في تعلّم منحاز.

تطبيق واقعي لتعزيز بيانات الصور#

من التطبيقات المثيرة للاهتمام لتعزيز بيانات الصور السيارات ذاتية القيادة، حيث تكون القرارات التي تتخذها نماذج الرؤية الحاسوبية مثل Ultralytics YOLO11 في أجزاء من الثانية حاسمة. ويجب أن يكون النموذج قادرًا على اكتشاف الطرق والأشخاص والأجسام الأخرى بدقة.

لكن ظروف العالم الواقعي التي تواجهها المركبة ذاتية القيادة قد تكون غير متوقعة. فقد تجعل الأحوال الجوية السيئة وضبابية الحركة واللافتات المخفية حلول الذكاء الاصطناعي للرؤية في هذا القطاع معقدة. وغالبًا لا يكفي تدريب نماذج الرؤية الحاسوبية باستخدام صور العالم الواقعي وحدها. إذ ينبغي أن تكون مجموعات بيانات الصور المستخدمة لنماذج السيارات ذاتية القيادة متنوعة، كي يتعلم النموذج التعامل مع المواقف غير المتوقعة.

يعالج تعزيز بيانات الصور هذه المشكلة بمحاكاة الضباب وتعديل السطوع وتشويه الأشكال. وتساعد هذه التغييرات النماذج على التعرّف على الأجسام في ظروف مختلفة، ما يجعل النماذج أذكى وأكثر موثوقية.

بفضل التدريب باستخدام البيانات المعززة، تتكيف حلول الذكاء الاصطناعي للرؤية في السيارات ذاتية القيادة على نحو أفضل وتتخذ قرارات أكثر أمانًا. وتعني النتائج الأدق حوادث أقل وتحسينًا للملاحة.

الشكل 5. مثال على تعزيز بيانات الصور فيما يتعلق بالسيارات ذاتية القيادة.

السيارات ذاتية القيادة مجرد مثال واحد. ففي الواقع، يُعد تعزيز بيانات الصور ضروريًا في قطاعات واسعة، بدءًا من التصوير الطبي ووصولًا إلى تحليلات البيع بالتجزئة. ويمكن لأي تطبيق يعتمد على الرؤية الحاسوبية أن يستفيد من تعزيز بيانات الصور.

أبرز النقاط#

يجب أن تكون أنظمة الذكاء الاصطناعي للرؤية قادرة على التعرّف على الأجسام في ظروف مختلفة، لكن قد يصعب جمع عدد لا نهائي من صور العالم الواقعي للتدريب. يعالج تعزيز بيانات الصور هذه المشكلة بإنشاء تنويعات من الصور الموجودة، ما يساعد النماذج على التعلّم بسرعة أكبر وتحقيق أداء أفضل في مواقف العالم الواقعي. كما يحسّن الدقة، ويضمن قدرة نماذج الذكاء الاصطناعي للرؤية مثل Ultralytics YOLO11 على التعامل مع مختلف ظروف الإضاءة والزوايا والبيئات.

بالنسبة إلى الشركات والمطورين، توفر زيادة بيانات الصور الوقت والجهد، مع جعل نماذج الرؤية الحاسوبية أكثر موثوقية. وتعتمد عليها قطاعات كثيرة، من الرعاية الصحية إلى السيارات ذاتية القيادة. ومع استمرار تطور ذكاء الرؤية، ستظل زيادة البيانات جزءاً أساسياً من بناء نماذج أذكى وأكثر قدرة على التكيف في المستقبل.

انضموا إلى مجتمعنا وزوروا مستودع GitHub الخاص بنا للاطلاع على الذكاء الاصطناعي عمليًا. استكشفوا خيارات الترخيص لدينا، واكتشفوا المزيد عن الذكاء الاصطناعي في الزراعة والرؤية الحاسوبية في التصنيع في صفحات الحلول لدينا.