الدليل الشامل لزيادة البيانات في عام 2025

بفضل ازدهار الذكاء الاصطناعي، تتصدر ظواهر مثل عمل الروبوتات في المصانع والسيارات ذاتية القيادة التي تتنقل في الشوارع عناوين الأخبار بوتيرة متزايدة. ويغيّر الذكاء الاصطناعي طريقة تفاعل الآلات مع العالم، بدءًا من تحسين التصوير الطبي ووصولًا إلى المساعدة في مراقبة الجودة على خطوط الإنتاج.

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

ومع ذلك، لا يكون جمع هذه الكمية الهائلة من البيانات المرئية سهلًا دائمًا. وعلى الرغم من أن مجتمع الرؤية الحاسوبية أنشأ العديد من مجموعات البيانات الكبيرة، فإنها قد تفتقد بعض التنوعات، مثل الصور التي تحتوي على أشياء في إضاءة منخفضة، أو عناصر محجوبة جزئيًا، أو أشياء مُصوَّرة من زوايا مختلفة. وقد تكون هذه الاختلافات مربكة لنماذج الرؤية الحاسوبية التي دُرِّبت فقط على ظروف محددة.

زيادة تنوع بيانات الصور هي تقنية تحل هذه المشكلة من خلال إدخال تنوعات جديدة في البيانات الموجودة. ومن خلال إجراء تغييرات على الصور، مثل ضبط الألوان أو التدوير أو تغيير المنظور، تصبح مجموعة البيانات أكثر تنوعًا، ما يساعد نماذج الذكاء الاصطناعي للرؤية على التعرف على الأشياء بصورة أفضل في مواقف العالم الحقيقي.

في هذه المقالة، سنستكشف كيفية عمل زيادة تنوع بيانات الصور والتأثير الذي يمكن أن تحدثه في تطبيقات الرؤية الحاسوبية.

ما المقصود بزيادة تنوع بيانات الصور؟#

لنفترض أنك تحاول التعرف على صديق وسط حشد، لكنه يرتدي نظارات شمسية أو يقف في مكان مظلل. رغم هذه التغييرات الطفيفة في المظهر، ستظل تعرف هويته. أما نموذج الذكاء الاصطناعي للرؤية فقد يواجه صعوبة في التعامل مع مثل هذه التنوعات ما لم يُدرَّب على التعرف على الأشياء في إعدادات مختلفة.

تحسّن زيادة تنوع بيانات الصور أداء نموذج الرؤية الحاسوبية من خلال إضافة نسخ معدّلة من الصور الموجودة إلى بيانات التدريب، بدلًا من جمع آلاف الصور الجديدة.

تعرّض تغييرات مثل قلب الصور أو تدويرها أو ضبط السطوع أو إضافة تشوهات صغيرة نماذج الذكاء الاصطناعي للرؤية لنطاق أوسع من الظروف. وبدلًا من الاعتماد على مجموعات بيانات ضخمة، يمكن للنماذج التعلم بكفاءة من مجموعات تدريب أصغر تحتوي على صور زِيد تنوعها.

الشكل 1. أمثلة على صور زِيد تنوعها لسيارة.

أهمية زيادة تنوع البيانات في الرؤية الحاسوبية#

فيما يلي بعض الأسباب الرئيسية التي تجعل زيادة التنوع ضرورية للرؤية الحاسوبية:

• تقلل متطلبات البيانات: يتطلب جمع مجموعات بيانات صور كبيرة وقتًا وموارد. ويمكن استخدام زيادة التنوع لتدريب النماذج بفعالية دون الحاجة إلى مجموعات بيانات ضخمة.
• تمنع فرط التخصيص: قد يحفظ النموذج الذي دُرِّب على عدد قليل جدًا من الأمثلة التفاصيل بدلًا من التعرف على الأنماط العامة. وتضمن إضافة التنوع من خلال زيادة البيانات أن تتعلم نماذج الذكاء الاصطناعي للرؤية بطريقة تنطبق على البيانات الجديدة وغير المرئية.
• تحاكي الصور غير المثالية: غالبًا ما تكون الصور في مجموعات البيانات مثالية أكثر من اللازم، لكن صور العالم الحقيقي قد تكون ضبابية أو محجوبة أو مشوهة. ويجعل إدخال الضوضاء أو الحجب أو التنوعات الأخرى إلى الصورَ أكثر واقعية.
• تعزز متانة النموذج: يساعد التدريب على مجموعة متنوعة من الصور الذكاء الاصطناعي على التعامل مع التغيرات في العالم الحقيقي، ما يجعله أكثر موثوقية في البيئات وظروف الإضاءة والمواقف المختلفة.

متى ينبغي استخدام زيادة تنوع بيانات الصور؟#

تكون زيادة تنوع بيانات الصور مفيدة خصوصًا عندما يحتاج نموذج رؤية حاسوبية إلى التعرف على الأشياء في مواقف مختلفة، لكنه لا يمتلك عددًا كافيًا من الصور المتنوعة.

على سبيل المثال، إذا كان الباحثون يدربون نموذجًا للذكاء الاصطناعي للرؤية لتحديد أنواع نادرة من الكائنات البحرية التي نادرًا ما تُصوَّر، فقد تكون مجموعة البيانات صغيرة أو تفتقر إلى التنوع. ومن خلال زيادة تنوع الصور، مثل ضبط الألوان لمحاكاة أعماق مياه مختلفة، أو إضافة الضوضاء لمحاكاة الظروف العكرة، أو تغيير الأشكال قليلًا لمراعاة الحركة الطبيعية، يمكن للنموذج اكتشاف الكائنات تحت الماء بدقة أكبر.

فيما يلي بعض المواقف الأخرى التي تُحدث فيها زيادة التنوع فرقًا كبيرًا:

• موازنة مجموعة البيانات: قد تظهر بعض الأشياء بوتيرة أقل في بيانات التدريب، ما يجعل نماذج الذكاء الاصطناعي للرؤية متحيزة. وتساعد زيادة التنوع على إنشاء أمثلة أكثر للأشياء النادرة كي يتعرف النموذج على جميع الفئات بإنصاف.
• التكيف مع الكاميرات المختلفة: قد تبدو الصور مختلفة باختلاف الجهاز. وتساعد زيادة التنوع نماذج الذكاء الاصطناعي للرؤية على الأداء الجيد مع الصور ذات الدقة والإضاءة والجودة المختلفة.
• تصحيح أخطاء التصنيف الطفيفة: تساعد التغييرات الطفيفة أو الاقتصاص أو التدوير نماذج الرؤية الحاسوبية على التعرف على الأشياء بصورة صحيحة، حتى إذا لم تكن التصنيفات الأصلية محاذية تمامًا.

كيفية عمل زيادة تنوع بيانات الصور#

في المراحل الأولى من الرؤية الحاسوبية، كانت زيادة تنوع بيانات الصور تعتمد أساسًا على تقنيات معالجة الصور الأساسية، مثل القلب والتدوير والاقتصاص، لزيادة تنوع مجموعة البيانات. ومع تحسن الذكاء الاصطناعي، أُدخلت أساليب أكثر تقدمًا، مثل ضبط الألوان (تحويلات فضاء الألوان)، وزيادة حدة الصور أو تمويهها (مرشحات النواة)، ومزج صور متعددة معًا (مزج الصور) لتعزيز التعلم.

يمكن أن تحدث زيادة التنوع قبل تدريب النموذج وأثناءه. فقبل التدريب، يمكن إضافة الصور المعدّلة إلى مجموعة البيانات لتوفير مزيد من التنوع. وأثناء التدريب، يمكن تغيير الصور عشوائيًا في الوقت الفعلي، ما يساعد نماذج الذكاء الاصطناعي للرؤية على التكيف مع الظروف المختلفة.

تُجرى هذه التغييرات باستخدام تحويلات رياضية. فمثلًا، يميل التدوير الصورة، ويزيل الاقتصاص أجزاءً منها لمحاكاة وجهات نظر مختلفة، وتحاكي تغييرات السطوع تنوعات الإضاءة. ويجعل التمويه الصور أكثر نعومة، بينما يوضح زيادة الحدة التفاصيل، ويمزج مزج الصور أجزاءً من صور مختلفة. ويمكن لـأطر الذكاء الاصطناعي للرؤية وأدوات مثل OpenCV وTensorFlow وPyTorch أتمتة هذه العمليات، ما يجعل زيادة التنوع سريعة وفعالة.

أهم تقنيات زيادة تنوع بيانات الصور#

بعد أن ناقشنا مفهوم زيادة تنوع بيانات الصور، لنتناول بمزيد من التفصيل بعض تقنيات زيادة تنوع بيانات الصور الأساسية المستخدمة لتعزيز بيانات التدريب.

ضبط الاتجاه والموضع#

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

وبالمثل، يغيّر تدوير الصور زاويتها قليلًا، ما يتيح للنموذج تحديد الأشياء من منظورات متعددة. كما يساعد إزاحة الصور في اتجاهات مختلفة (الترجمة) النماذج على التكيف مع التغييرات الموضعية الصغيرة. وتضمن هذه التحويلات تعميم النماذج بصورة أفضل على ظروف العالم الحقيقي التي يكون فيها موضع الشيء داخل الصورة غير متوقع.

الشكل 2. أساليب مختلفة لزيادة التنوع المرتبطة بالاتجاه والموضع.

تغيير الحجم والاقتصاص#

فيما يتعلق بـحلول الرؤية الحاسوبية في العالم الحقيقي، قد تظهر الأشياء في الصور على مسافات وأحجام مختلفة. ويجب أن تكون نماذج الذكاء الاصطناعي للرؤية متينة بما يكفي لاكتشافها بغض النظر عن هذه الاختلافات.

لتحسين القدرة على التكيف، يمكن استخدام أساليب زيادة التنوع التالية:

• تغيير المقياس: يغيّر تغيير الحجم أبعاد الصورة مع الحفاظ على نسبها، ما يتيح لنماذج الذكاء الاصطناعي اكتشاف الأشياء على مسافات مختلفة.
• الاقتصاص: يزيل هذا الأسلوب الأجزاء غير الضرورية من الصورة، ما يساعد النموذج على التركيز على المناطق الرئيسية وتقليل تشتيت الخلفية.
• القصّ المائل: تحاكي إمالة الصورة قليلًا مظهرًا مائلًا أو ممددًا، ما يساعد الذكاء الاصطناعي على التعرف على الأشياء من زوايا مختلفة.

تساعد هذه التعديلات نماذج الرؤية الحاسوبية على التعرف على الأشياء حتى إذا تغير حجمها أو شكلها قليلًا.

تعديلات المنظور والتشوه#

قد تظهر الأشياء في الصور بصورة مختلفة اعتمادًا على زاوية الكاميرا، ما يجعل التعرف عليها صعبًا بالنسبة إلى نماذج الرؤية الحاسوبية. ولمساعدة النماذج على التعامل مع هذه التنوعات، يمكن لتقنيات زيادة التنوع تعديل طريقة عرض الأشياء في الصور.

فعلى سبيل المثال، يمكن لتحويلات المنظور تغيير زاوية الرؤية، بحيث يبدو الشيء كما لو كان يُرى من موضع مختلف. وهذا يتيح لنماذج الذكاء الاصطناعي للرؤية التعرف على الأشياء حتى عندما تكون مائلة أو ملتقطة من وجهة نظر غير مألوفة.

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

تعديلات الألوان والإضاءة#

يمكن لظروف الإضاءة والاختلافات اللونية أن تؤثر تأثيرًا كبيرًا في كيفية تفسير نماذج الذكاء الاصطناعي للرؤية للصور. وبما أن الأشياء قد تبدو مختلفة في إعدادات الإضاءة المتنوعة، يمكن أن تساعد تقنيات زيادة التنوع التالية على التعامل مع هذه المواقف:

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

الشكل 3. أمثلة على زيادات التنوع المتعلقة بتنوعات الألوان.

تقنيات متقدمة لزيادة تنوع بيانات الصور#

حتى الآن، استكشفنا فقط تقنيات زيادة التنوع التي تعدّل صورة واحدة. إلا أن بعض الأساليب المتقدمة تتضمن دمج صور متعددة لتحسين تعلم الذكاء الاصطناعي.

فعلى سبيل المثال، يمزج MixUp صورتين معًا، ما يساعد نماذج الرؤية الحاسوبية على فهم العلاقات بين الأشياء ويحسن قدرتها على التعميم عبر السيناريوهات المختلفة. ويذهب CutMix خطوة أبعد باستبدال جزء من صورة بجزء من صورة أخرى، ما يتيح للنماذج التعلم من سياقات متعددة داخل الصورة نفسها. أما CutOut فيعمل بطريقة مختلفة، إذ يزيل أجزاءً عشوائية من الصورة، ويدرّب نماذج الذكاء الاصطناعي للرؤية على التعرف على الأشياء حتى عندما تكون مخفية أو محجوبة جزئيًا.

الشكل 4. تقنيات متقدمة لزيادة تنوع بيانات الصور.

دور الذكاء الاصطناعي التوليدي في زيادة تنوع بيانات الصور#

يكتسب الذكاء الاصطناعي التوليدي زخمًا في العديد من الصناعات والتطبيقات اليومية. ولعلك صادفته في سياق الصور المُنشأة بالذكاء الاصطناعي، أو مقاطع الفيديو المزيفة بعمق، أو التطبيقات التي تنشئ صورًا رمزية واقعية. لكن بعيدًا عن الإبداع والترفيه، يؤدي الذكاء الاصطناعي التوليدي دورًا حاسمًا في تدريب نماذج الذكاء الاصطناعي للرؤية من خلال إنشاء صور جديدة انطلاقًا من الصور الموجودة.

فهو لا يكتفي بقلب الصور أو تدويرها، بل يمكنه إنشاء تنوعات واقعية، مثل تغيير تعبيرات الوجه أو أنماط الملابس أو حتى محاكاة ظروف الطقس المختلفة. وتساعد هذه التنوعات نماذج الرؤية الحاسوبية على أن تصبح أكثر قدرة على التكيف ودقة في سيناريوهات العالم الحقيقي المتنوعة. كما يمكن لنماذج الذكاء الاصطناعي التوليدي المتقدمة مثل GANs (الشبكات التوليدية التنافسية) ونماذج الانتشار استكمال التفاصيل المفقودة أو إنشاء صور اصطناعية عالية الجودة.

قيود زيادة تنوع بيانات الصور#

رغم أن زيادة تنوع البيانات تحسن مجموعات بيانات التدريب، فهناك أيضًا بعض القيود التي ينبغي أخذها في الاعتبار. فيما يلي بعض التحديات الرئيسية المتعلقة بزيادة تنوع بيانات الصور:

• تنوع البيانات المحدود: تأتي الصور التي زِيد تنوعها من بيانات موجودة، ولا يمكنها تقديم أنماط جديدة تمامًا أو منظورات نادرة.
• احتمال تشوه البيانات: قد تجعل التحويلات المفرطة الصور غير واقعية، ما قد يقلل دقة النموذج في سيناريوهات العالم الحقيقي.
• زيادة الحسابات: قد تتطلب زيادة التنوع في الوقت الفعلي أثناء تدريب النموذج قدرًا كبيرًا من قدرة المعالجة، ما يبطئ التدريب ويزيد استخدام الذاكرة.
• استمرار اختلال توازن الفئات: لا تنشئ زيادة التنوع عينات جديدة بالكامل، لذلك قد تظل الفئات غير الممثلة تمثيلًا كافيًا تؤدي إلى تعلم متحيز.

تطبيق واقعي لزيادة تنوع بيانات الصور#

من التطبيقات المثيرة للاهتمام لزيادة تنوع 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 والأشياء الأخرى بدقة.

ومع ذلك، قد تكون ظروف العالم الحقيقي التي تواجهها المركبة ذاتية القيادة غير متوقعة. إذ يمكن للطقس السيئ وضبابية الحركة واللافتات المخفية أن تجعل حلول الذكاء الاصطناعي للرؤية في هذا القطاع معقدة. وغالبًا لا يكفي تدريب نماذج الرؤية الحاسوبية باستخدام الصور الواقعية وحدها. ويجب أن تكون مجموعات بيانات الصور الخاصة بنماذج السيارات ذاتية القيادة متنوعة كي يتعلم النموذج التعامل مع المواقف غير المتوقعة.

تحل زيادة تنوع بيانات الصور هذه المشكلة من خلال محاكاة الضباب وضبط السطوع وتشويه الأشكال. وتساعد هذه التغييرات النماذج على التعرف على الأشياء في ظروف مختلفة. ونتيجة لذلك، تصبح النماذج أكثر ذكاءً وموثوقية.

بفضل التدريب على بيانات زِيد تنوعها، تتكيف حلول الذكاء الاصطناعي للرؤية في السيارات ذاتية القيادة بصورة أفضل وتتخذ قرارات أكثر أمانًا. وتعني النتائج الأكثر دقة عددًا أقل من الحوادث وتحسنًا في الملاحة.

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

السيارات ذاتية القيادة ليست سوى مثال واحد. ففي الواقع، تُعد زيادة تنوع بيانات الصور أمرًا حاسمًا في مجموعة واسعة من القطاعات، بدءًا من التصوير الطبي ووصولًا إلى تحليلات قطاع التجزئة. ويمكن لأي تطبيق يعتمد على الرؤية الحاسوبية أن يستفيد من زيادة تنوع بيانات الصور.

أهم النقاط المستخلصة#

يجب أن تتمكن أنظمة الذكاء الاصطناعي للرؤية من التعرف على الأشياء في ظروف مختلفة، لكن جمع صور لا نهائية من العالم الحقيقي للتدريب قد يكون صعبًا. وتحل زيادة تنوع بيانات الصور هذه المشكلة من خلال إنشاء تنوعات من الصور الموجودة، ما يساعد النماذج على التعلم بسرعة أكبر والأداء بصورة أفضل في مواقف العالم الحقيقي. كما تحسن الدقة، وتضمن قدرة نماذج الذكاء الاصطناعي للرؤية مثل Ultralytics YOLO11 على التعامل مع الإضاءة والزوايا والبيئات المختلفة.

بالنسبة إلى الشركات والمطورين، توفر زيادة تنوع بيانات الصور الوقت والجهد، مع جعل نماذج الرؤية الحاسوبية أكثر موثوقية. وتعتمد عليها صناعات كثيرة، من الرعاية الصحية إلى السيارات ذاتية القيادة. ومع استمرار تطور الذكاء الاصطناعي للرؤية، ستظل زيادة التنوع جزءًا أساسيًا من بناء نماذج أكثر ذكاءً وقدرة على التكيف في المستقبل.

انضم إلى مجتمعنا وزُر مستودع GitHub الخاص بنا لترى الذكاء الاصطناعي قيد التنفيذ. واستكشف خيارات الترخيص لدينا وتعرّف على المزيد حول الذكاء الاصطناعي في الزراعة والرؤية الحاسوبية في التصنيع في صفحات حلولنا.