الدليل النهائي لزيادة البيانات في 2025

بسبب طفرة الذكاء الاصطناعي، أصبحت ظواهر مثل الروبوتات التي تعمل في المصانع والسيارات ذاتية القيادة التي تتنقل في الشوارع تتصدر عناوين الأخبار بشكل متكرر. يغير الذكاء الاصطناعي الطريقة التي تتفاعل بها الآلات مع العالم، بدءاً من تحسين التصوير الطبي وصولاً إلى المساعدة في مراقبة الجودة على خطوط الإنتاج.

يأتي جزء كبير من هذا التقدم من computer vision، وهو فرع من الذكاء الاصطناعي يمكن الآلات من فهم الصور وتفسيرها. تماماً كما يتعلم البشر التعرف على الأجسام والأنماط بمرور الوقت، تحتاج نماذج الذكاء الاصطناعي للرؤية مثل Ultralytics YOLO11 إلى التدريب على كميات كبيرة من بيانات الصور لتطوير فهمها البصري.

مع ذلك، فإن جمع مثل هذه الكمية الهائلة من البيانات المرئية ليس سهلاً دائماً. على الرغم من أن مجتمع الرؤية الحاسوبية قد أنشأ العديد من datasets الكبيرة، إلا أنها قد تفوتها بعض الاختلافات - مثل الصور التي تحتوي على كائنات في إضاءة منخفضة، أو عناصر مخفية جزئياً، أو أشياء يتم رؤيتها من زوايا مختلفة. يمكن أن تكون هذه الاختلافات مربكة لنماذج الرؤية الحاسوبية التي تم تدريبها فقط على ظروف محددة.

تُعد data augmentation للصور تقنية تحل هذه المشكلة من خلال إدخال تنويعات جديدة على البيانات الموجودة. من خلال إجراء تغييرات على الصور، مثل ضبط الألوان، أو التدوير، أو تغيير المنظور، تصبح مجموعة البيانات أكثر تنوعاً، مما يساعد نماذج الذكاء الاصطناعي للرؤية على التعرف على الأجسام بشكل أفضل في المواقف الواقعية.

في هذه المقالة، سنستكشف كيفية عمل تعزيز بيانات الصور والتأثير الذي يمكن أن تحدثه على تطبيقات رؤية الكمبيوتر.

ما هو تعزيز بيانات الصور؟#

لنفترض أنك تحاول التعرف على صديق في حشد من الناس، لكنه يرتدي نظارة شمسية أو يقف في مكان مظلل. حتى مع هذه التغييرات الطفيفة في المظهر، فأنت لا تزال تعرف من هو. من ناحية أخرى، قد يواجه نموذج الذكاء الاصطناعي البصري صعوبة في التعامل مع مثل هذه التباينات ما لم يتم تدريبه على التعرف على الكائنات في إعدادات مختلفة.

يعمل تعزيز بيانات الصور على تحسين أداء نموذج رؤية الكمبيوتر عن طريق إضافة إصدارات معدلة من الصور الموجودة إلى بيانات التدريب، بدلاً من جمع آلاف الصور الجديدة.

إن التغييرات التي تطرأ على الصور مثل الانعكاس، أو التدوير، أو ضبط السطوع، أو إضافة تشوهات صغيرة تعرض نماذج الذكاء الاصطناعي البصري لمجموعة أوسع من الظروف. بدلاً من الاعتماد على مجموعات بيانات ضخمة، يمكن للنماذج التعلم بكفاءة من مجموعات بيانات تدريب أصغر تحتوي على صور معززة.

Fig 1. أمثلة لصور محسّنة لسيارة.

أهمية تعزيز البيانات في رؤية الكمبيوتر#

فيما يلي بعض الأسباب الرئيسية التي تجعل التعزيز ضرورياً لرؤية الكمبيوتر:

• يقلل من متطلبات البيانات: يتطلب جمع مجموعات بيانات صور كبيرة وقتاً وموارد. يمكن استخدام التعزيز لتدريب النماذج بفعالية دون الحاجة إلى مجموعات بيانات ضخمة.
• يمنع الإفراط في التخصيص (Overfitting): قد يحفظ النموذج الذي يتم تدريبه على عدد قليل جداً من الأمثلة التفاصيل بدلاً من التعرف على الأنماط العامة. تضمن إضافة التنوع من خلال التعزيز أن نماذج الذكاء الاصطناعي البصري تتعلم بطريقة تنطبق على البيانات الجديدة وغير المرئية.
• يحاكي الصور غير المثالية: غالباً ما تكون الصور في مجموعات البيانات مثالية جداً، ولكن صور العالم الحقيقي قد تكون ضبابية، أو محجوبة، أو مشوهة. إن تعزيز الصور بالضوضاء، أو الانسدادات، أو التباينات الأخرى يجعلها أكثر واقعية.
• يعزز متانة النموذج: يساعد التدريب بمجموعة متنوعة من الصور الذكاء الاصطناعي على التعامل مع تغييرات العالم الحقيقي، مما يجعله أكثر موثوقية في بيئات وظروف ومواقف مختلفة.

متى يجب عليك استخدام تعزيز بيانات الصور؟#

يعد تعزيز بيانات الصور مفيداً بشكل خاص عندما يحتاج نموذج رؤية الكمبيوتر إلى التعرف على الكائنات في مواقف مختلفة ولكنه لا يمتلك ما يكفي من الصور المتنوعة.

على سبيل المثال، إذا كان الباحثون يقومون بتدريب نموذج ذكاء اصطناعي للرؤية لتحديد أنواع بحرية نادرة نادراً ما يتم تصويرها، فقد تكون مجموعة البيانات صغيرة أو تفتقر إلى التنوع. من خلال تحسين الصور - عبر ضبط الألوان لمحاكاة أعماق مختلفة للمياه، أو إضافة تشويش لمحاكاة الظروف العكرة، أو تغيير الأشكال قليلاً لمراعاة الحركة الطبيعية - يمكن للنموذج التعلم لـ detect underwater objects بدقة أكبر.

فيما يلي بعض المواقف الأخرى التي يحدث فيها التعزيز فرقاً كبيراً:

• موازنة مجموعة البيانات: قد تظهر بعض الكائنات بشكل أقل تكراراً في بيانات التدريب، مما يجعل نماذج الذكاء الاصطناعي البصري متحيزة. يساعد التعزيز في إنشاء المزيد من الأمثلة للكائنات النادرة حتى يتمكن النموذج من التعرف على جميع الفئات بشكل عادل.
• التكيف مع الكاميرات المختلفة: يمكن أن تبدو الصور مختلفة اعتماداً على الجهاز. يساعد التعزيز نماذج الذكاء الاصطناعي البصري على الأداء الجيد في الصور ذات الدقة والإضاءة والجودة المختلفة.
• تصحيح أخطاء التصنيف الطفيفة: تساعد التحولات الطفيفة، أو القص، أو التدوير نماذج رؤية الكمبيوتر على التعرف على الكائنات بشكل صحيح، حتى لو لم تكن التصنيفات الأصلية متوافقة تماماً.

كيف يعمل تعزيز بيانات الصور#

في الأيام الأولى للرؤية الحاسوبية، تضمنت زيادة بيانات الصور في المقام الأول تقنيات image processing الأساسية مثل القلب، والتدوير، والقص لزيادة تنوع مجموعات البيانات. مع تحسن الذكاء الاصطناعي، تم إدخال طرق أكثر تقدمًا، مثل ضبط الألوان (تحويلات مساحة اللون)، أو شحذ الصور أو تغبيشها (مرشحات النواة)، ودمج صور متعددة معًا (مزج الصور) لتعزيز التعلم.

يمكن أن يحدث التحسين قبل وخلال model training. قبل التدريب، يمكن إضافة الصور المعدلة إلى مجموعة البيانات لتوفير مزيد من التنوع. وأثناء التدريب، يمكن تغيير الصور عشوائياً في الوقت الفعلي، مما يساعد نماذج الذكاء الاصطناعي للرؤية على التكيف مع الظروف المختلفة.

يتم إجراء هذه التغييرات باستخدام تحويلات رياضية. على سبيل المثال، يقوم التدوير بإمالة الصورة، ويزيل القص أجزاء لمحاكاة وجهات نظر مختلفة، وتماثل تغيرات السطوع تباينات الإضاءة. يعمل التغبيش على تنعيم الصور، ويجعل الشحذ التفاصيل أكثر وضوحاً، ويجمع دمج الصور أجزاء من صور مختلفة. يمكن لـ Vision AI frameworks والأدوات مثل OpenCV وTensorFlow وPyTorch أتمتة هذه العمليات، مما يجعل التحسين سريعاً وفعالاً.

تقنيات تعزيز بيانات الصور الرئيسية#

الآن بعد أن ناقشنا ماهية تعزيز بيانات الصور، دعونا نلقي نظرة فاحصة على بعض تقنيات تعزيز بيانات الصور الأساسية المستخدمة لتحسين بيانات التدريب.

ضبط الاتجاه والموضع#

Computer vision models مثل YOLO11 غالباً ما تحتاج إلى التعرف على الأجسام من زوايا ووجهات نظر مختلفة. للمساعدة في ذلك، يمكن عكس الصور أفقياً أو رُأسياً بحيث يتعلم نموذج الذكاء الاصطناعي التعرف على الأجسام من وجهات نظر مختلفة.

وبالمثل، فإن تدوير الصور يغير زاويتها قليلاً، مما يسمح للنموذج بالتعرف على الكائنات من وجهات نظر متعددة. أيضاً، تساعد إزاحة الصور في اتجاهات مختلفة (الترجمة) النماذج على التكيف مع التغييرات الموضعية الصغيرة. تضمن هذه التحولات تعميم النماذج بشكل أفضل على ظروف العالم الحقيقي حيث يكون موضع الكائن في الصورة غير متوقع.

Fig 2. طرق تحسين مختلفة متعلقة بالاتجاه والموقع.

تغيير الحجم والقص#

فيما يتعلق بـ computer vision solutions في العالم الحقيقي، يمكن أن تظهر الأجسام في الصور بمسافات وأحجام متفاوتة. يجب أن تكون نماذج الذكاء الاصطناعي للرؤية قوية بما يكفي لاكتشافها بغض النظر عن هذه الاختلافات.

لتحسين القدرة على التكيف، يمكن استخدام طرق التعزيز التالية:

• التحجيم (Scaling): يؤدي تغيير الحجم إلى تغيير حجم الصورة مع الحفاظ على أبعادها، مما يتيح لنماذج الذكاء الاصطناعي اكتشاف الكائنات على مسافات مختلفة.
• القص: يؤدي هذا إلى إزالة الأجزاء غير الضرورية من الصورة، مما يساعد النموذج على التركيز على المجالات الرئيسية وتقليل تشتيت الخلفية.
• القص (Shearing): يؤدي إمالة الصورة قليلاً إلى محاكاة مظهر مائل أو ممتد، مما يساعد الذكاء الاصطناعي على التعرف على الكائنات من زوايا مختلفة.

تساعد هذه التعديلات نماذج رؤية الكمبيوتر على التعرف على الكائنات حتى لو تغير حجمها أو شكلها قليلاً.

تعديلات المنظور والتشويه#

يمكن أن تظهر الكائنات في الصور بشكل مختلف اعتماداً على زاوية الكاميرا، مما يجعل التعرف عليها صعباً لنماذج رؤية الكمبيوتر. لمساعدة النماذج على التعامل مع هذه التباينات، يمكن لتقنيات التعزيز ضبط كيفية عرض الكائنات في الصور.

على سبيل المثال، يمكن لتحويلات المنظور تغيير زاوية العرض، مما يجعل الكائن يبدو وكأنه يُرى من موضع مختلف. وهذا يسمح لنماذج الذكاء الاصطناعي البصري بالتعرف على الكائنات حتى عندما تكون مائلة أو ملتقطة من وجهة نظر غير عادية.

مثال آخر هو التحويل المرن الذي يمد أو يثني أو يشوه الصور لمحاكاة التشوهات الطبيعية بحيث تظهر الكائنات كما ستظهر في الانعكاسات أو تحت الضغط.

تعديلات اللون والإضاءة#

يمكن أن تؤثر ظروف الإضاءة واختلافات الألوان بشكل كبير على كيفية تفسير نماذج الذكاء الاصطناعي البصري للصور. نظراً لأن الكائنات يمكن أن تظهر بشكل مختلف في ظل إعدادات إضاءة متنوعة، يمكن أن تساعد تقنيات التعزيز التالية في التعامل مع هذه المواقف:

• تعديلات السطوع والتباين: تساعد محاكاة ظروف الإضاءة المختلفة نماذج الذكاء الاصطناعي البصري على التعرف على الكائنات في كل من البيئات المضيئة والمظلمة.
• اهتزاز اللون: يجعل تغيير درجة اللون والتشبع وتوازن اللون عشوائياً نماذج رؤية الكمبيوتر أكثر قدرة على التكيف مع الكاميرات وظروف الإضاءة المختلفة.
• التحويل إلى تدرج الرمادي: يشجع تحويل الصور إلى الأسود والأبيض نماذج الذكاء الاصطناعي البصري على التركيز على الأشكال والقوام بدلاً من اللون.

Fig 3. أمثلة للتحسينات المتعلقة بتغيرات الألوان.

تقنيات تعزيز بيانات الصور المتقدمة#

حتى الآن، استكشفنا فقط تقنيات التعزيز التي تعدل صورة واحدة. ومع ذلك، تتضمن بعض الأساليب المتقدمة الجمع بين صور متعددة لتحسين تعلم الذكاء الاصطناعي.

على سبيل المثال، يمزج MixUp صورتين معاً، مما يساعد نماذج رؤية الكمبيوتر على فهم علاقات الكائنات وتحسين قدرتها على التعميم عبر سيناريوهات مختلفة. يخطو CutMix خطوة أخرى إلى الأمام عن طريق استبدال جزء من صورة بجزء من صورة أخرى، مما يمكن النماذج من التعلم من سياقات متعددة داخل نفس الصورة. وفي الوقت نفسه، يعمل CutOut بشكل مختلف عن طريق إزالة أجزاء عشوائية من صورة، مما يدرب نماذج الذكاء الاصطناعي البصري على التعرف على الكائنات حتى عندما تكون مخفية أو معاقة جزئياً.

Fig 4. تقنيات زيادة بيانات الصور المتقدمة.

دور الذكاء الاصطناعي التوليدي في تعزيز بيانات الصور#

يكتسب Generative AI زخماً عبر العديد من الصناعات والتطبيقات اليومية. لقد واجهته على الأرجح فيما يتعلق بالصور التي يتم إنشاؤها بواسطة الذكاء الاصطناعي، أو مقاطع الفيديو المزيفة (Deepfake)، أو التطبيقات التي تنشئ صور رمزية واقعية. ولكن بعيداً عن الإبداع والترفيه، يلعب الذكاء الاصطناعي التوليدي دوراً حاسماً في تدريب نماذج الذكاء الاصطناعي للرؤية من خلال توليد صور جديدة من الصور الموجودة.

بدلاً من مجرد قلب الصور أو تدويرها، يمكنها إنشاء اختلافات واقعية - تغيير تعبيرات الوجه، أو أساليب الملابس، أو حتى محاكاة ظروف طقس مختلفة. تساعد هذه الاختلافات نماذج الرؤية الحاسوبية على أن تصبح أكثر قابلية للتكيف وأكثر دقة في سيناريوهات العالم الحقيقي المتنوعة. يمكن لنماذج الذكاء الاصطناعي التوليدي المتقدمة مثل GANs (شبكات التنافس التوليدية) وdiffusion models أيضاً ملء التفاصيل المفقودة أو إنشاء صور اصطناعية عالية الجودة.

قيود تعزيز بيانات الصور#

بينما يعمل تعزيز البيانات على تحسين مجموعات بيانات التدريب، هناك أيضاً بعض القيود التي يجب مراعاتها. فيما يلي بعض التحديات الرئيسية المتعلقة بتعزيز بيانات الصور:

• تنوع محدود للبيانات: تأتي الصور المعززة من البيانات الموجودة ولا يمكنها تقديم أنماط جديدة تماماً أو وجهات نظر نادرة.
• تشويه البيانات المحتمل: يمكن أن تجعل التحولات المفرطة الصور غير واقعية، مما قد يقلل من دقة النموذج في سيناريوهات العالم الحقيقي.
• زيادة الحوسبة: يمكن أن يتطلب التعزيز في الوقت الفعلي الذي يحدث أثناء تدريب النموذج قدراً كبيراً من قوة المعالجة، مما يؤدي إلى إبطاء التدريب وزيادة استخدام الذاكرة.
• استمرار اختلال توازن الفئات: لا ينشئ التعزيز عينات جديدة تماماً، لذا قد تظل الفئات غير الممثلة بشكل جيد تؤدي إلى تعلم متحيز.

تطبيق واقعي لتعزيز بيانات الصور#

أحد التطبيقات المثيرة للاهتمام لزيادة بيانات الصور هو في السيارات ذاتية القيادة، حيث تكون القرارات في جزء من الثانية التي تتخذها نماذج الرؤية الحاسوبية مثل Ultralytics YOLO11 حاسمة. يجب أن يكون النموذج قادراً على اكتشاف الطرق والأشخاص والكائنات الأخرى بدقة.

ومع ذلك، يمكن أن تكون ظروف العالم الحقيقي التي تواجهها السيارة ذاتية القيادة غير متوقعة. يمكن أن تجعل الأحوال الجوية السيئة، وضبابية الحركة، والعلامات المخفية حلول الذكاء الاصطناعي البصري في هذا القطاع معقدة. غالباً لا يكفي تدريب نماذج رؤية الكمبيوتر بصور العالم الحقيقي فقط. يجب أن تكون مجموعات بيانات الصور للنماذج في السيارات ذاتية القيادة متنوعة حتى يتمكن النموذج من تعلم كيفية التعامل مع المواقف غير المتوقعة.

يحل تعزيز بيانات الصور هذا عن طريق محاكاة الضباب، وضبط السطوع، وتشويه الأشكال. تساعد هذه التغييرات النماذج على التعرف على الكائنات في ظروف مختلفة. ونتيجة لذلك، تصبح النماذج أكثر ذكاءً وموثوقية.

مع التدريب المعزز، تتكيف vision AI solutions in self-driving cars بشكل أفضل وتتخذ قرارات أكثر أماناً. النتائج الأكثر دقة تعني حوادث أقل وتحسيناً في الملاحة.

Fig 5. مثال على تحسين بيانات الصور فيما يتعلق بالسيارات ذاتية القيادة.

السيارات ذاتية القيادة هي مجرد مثال واحد. في الواقع، يعد تعزيز بيانات الصور أمراً بالغ الأهمية في مجموعة واسعة من القطاعات، من التصوير الطبي إلى تحليلات التجزئة. أي تطبيق يعتمد على رؤية الكمبيوتر يمكن أن يستفيد بشكل محتمل من تعزيز بيانات الصور.

أبرز النقاط#

تحتاج أنظمة رؤية الذكاء الاصطناعي إلى القدرة على التعرف على الكائنات في ظروف مختلفة، ولكن جمع صور لا حصر لها من العالم الحقيقي للتدريب يمكن أن يكون صعباً. تحل زيادة بيانات الصور هذه المشكلة عن طريق إنشاء اختلافات للصور الموجودة، مما يساعد النماذج على التعلم بشكل أسرع والعمل بشكل أفضل في مواقف العالم الحقيقي. إنها تحسن الدقة، مما يضمن أن نماذج رؤية الذكاء الاصطناعي مثل Ultralytics YOLO11 يمكنها التعامل مع الإضاءة والزوايا والبيئات المختلفة.

بالنسبة للشركات والمطورين، يوفر تعزيز بيانات الصور الوقت والجهد مع جعل نماذج رؤية الكمبيوتر أكثر موثوقية. من الرعاية الصحية إلى السيارات ذاتية القيادة، تعتمد العديد من الصناعات عليه. مع استمرار تطور الذكاء الاصطناعي البصري، سيستمر التعزيز في كونه جزءاً أساسياً من بناء نماذج أكثر ذكاءً وقدرة على التكيف للمستقبل.

انضم إلى our community وقم بزيارة our GitHub repository لرؤية الذكاء الاصطناعي قيد التنفيذ. استكشف our licensing options واكتشف المزيد حول AI in agriculture وcomputer vision in manufacturing على صفحة الحلول الخاصة بنا.