29 يناير 2025
اكتشف الاختلافات بين التعلم بعدد قليل من اللقطات والتعلم بدون لقطات والتعلم بالنقل في رؤية الكمبيوتر وكيف تشكل هذه النماذج تدريب نماذج الذكاء الاصطناعي.
يمكن لأنظمة الذكاء الاصطناعي (AI) التعامل مع المهام المعقدة مثل التعرف على الوجوه وتصنيف الصور وقيادة السيارات بأقل قدر من التدخل البشري. يفعلون ذلك عن طريق دراسة البيانات والتعرف على الأنماط واستخدام هذه الأنماط لاتخاذ التنبؤات أو القرارات. مع تقدم الذكاء الاصطناعي، نشهد طرقًا متطورة بشكل متزايد يمكن لنماذج الذكاء الاصطناعي من خلالها التعلم والتكيف وأداء المهام بكفاءة ملحوظة.
على سبيل المثال، رؤية الكمبيوتر هي فرع من فروع الذكاء الاصطناعي يركز على تمكين الآلات من تفسير وفهم المعلومات المرئية من العالم. يعتمد تطوير نموذج رؤية الكمبيوتر التقليدي بشكل كبير على مجموعات البيانات الكبيرة المشروحة للتدريب. يمكن أن يكون جمع هذه البيانات وتصنيفها مكلفًا ويستغرق وقتًا طويلاً.
للتعامل مع هذه التحديات، قدم الباحثون مناهج مبتكرة مثل التعلم بعدد قليل من اللقطات (FSL)، والذي يتعلم من أمثلة محدودة؛ والتعلم بدون لقطة (ZSL)، والذي يحدد الكائنات غير المرئية؛ والتعلم بالنقل (TL)، والذي يطبق المعرفة من النماذج المدربة مسبقًا على مهام جديدة.
في هذه المقالة، سنستكشف كيف تعمل نماذج التعلم هذه، ونسلط الضوء على الاختلافات الرئيسية بينها، ونلقي نظرة على التطبيقات الواقعية. هيا بنا نبدأ!
دعونا نستكشف ماهية التعلم بعدد قليل من اللقطات والتعلم بدون لقطات والتعلم بالنقل فيما يتعلق بالرؤية الحاسوبية وكيفية عملها.
التعلم بعدد قليل من اللقطات هو طريقة تتعلم فيها الأنظمة التعرف على كائنات جديدة باستخدام عدد قليل فقط من الأمثلة. على سبيل المثال، إذا عرضت على نموذج بضع صور لبطريق و بجع و ببغاء البحر (تسمى هذه المجموعة الصغيرة "مجموعة الدعم"), فإنه يتعلم كيف تبدو هذه الطيور.
لاحقًا، إذا عرضت على النموذج صورة جديدة، مثل صورة بطريق، فإنه يقارن هذه الصورة الجديدة بالصور الموجودة في مجموعة الدعم الخاصة به ويختار أقرب تطابق. عندما يكون جمع كمية كبيرة من البيانات أمرًا صعبًا، تكون هذه الطريقة مفيدة لأن النظام لا يزال بإمكانه التعلم والتكيف مع عدد قليل فقط من الأمثلة.
التعلم الصفري (Zero-shot learning) هو طريقة للآلات للتعرف على الأشياء التي لم ترها من قبل دون الحاجة إلى أمثلة عليها. يستخدم معلومات دلالية، مثل الأوصاف، للمساعدة في إجراء الاتصالات.
على سبيل المثال، إذا تعلمت آلة عن حيوانات مثل القطط والأسود والخيول من خلال فهم ميزات مثل "صغير ورقيق" أو "قطة برية كبيرة" أو "وجه طويل"، فيمكنها استخدام هذه المعرفة لتحديد حيوان جديد، مثل النمر. حتى لو لم تر نمرًا من قبل، فيمكنها استخدام وصف مثل "حيوان يشبه الأسد وله خطوط داكنة" لتحديده بشكل صحيح. وهذا يجعل من السهل على الآلات التعلم والتكيف دون الحاجة إلى الكثير من الأمثلة.
التعلم بالنقل هو نموذج تعليمي يستخدم فيه النموذج ما تعلمه من مهمة ما للمساعدة في حل مهمة جديدة مماثلة. هذه التقنية مفيدة بشكل خاص عندما يتعلق الأمر بمهام الرؤية الحاسوبية مثل اكتشاف الكائنات وتصنيف الصور والتعرف على الأنماط.
على سبيل المثال، في رؤية الكمبيوتر، يمكن لنموذج مُدرَّب مسبقًا التعرف على الكائنات العامة، مثل الحيوانات، ثم يتم ضبطه بدقة من خلال التعلم بالنقل لتحديد كائنات معينة، مثل سلالات الكلاب المختلفة. من خلال إعادة استخدام المعرفة من المهام السابقة، فإن التعلم بالنقل يجعل من السهل تدريب نماذج رؤية الكمبيوتر على مجموعات بيانات أصغر، مما يوفر الوقت والجهد.
قد تتساءل عن نوع النماذج التي تدعم التعلُّم التحويلي. Ultralytics YOLO11 مثال رائع لنموذج رؤية حاسوبية يمكنه القيام بذلك. إنه نموذج متطور للكشف عن الكائنات يتم تدريبه أولاً على مجموعة بيانات عامة كبيرة. بعد ذلك، يمكن ضبطه وتدريبه بشكل دقيق ومخصص على مجموعة بيانات أصغر ومتخصصة لمهام محددة.
الآن بعد أن تحدثنا عن التعلم بعدد قليل من اللقطات والتعلم بدون لقطات والتعلم بالنقل، دعنا نقارنها لنرى كيف تختلف.
يكون التعلم بعدد قليل من اللقطات مفيدًا عندما يكون لديك كمية صغيرة فقط من البيانات المصنفة. فهو يمكّن نموذج الذكاء الاصطناعي من التعلم من عدد قليل من الأمثلة. من ناحية أخرى، لا يتطلب التعلم بدون لقطات أي بيانات مصنفة. وبدلاً من ذلك، فإنه يستخدم الأوصاف أو السياق لمساعدة النظام على التعامل مع المهام الجديدة. وفي الوقت نفسه، يتبع التعلم بالنقل نهجًا مختلفًا باستخدام المعرفة من النماذج المدربة مسبقًا، مما يسمح لها بالتكيف بسرعة مع المهام الجديدة بأقل قدر من البيانات الإضافية. ولكل طريقة نقاط قوتها الخاصة اعتمادًا على نوع البيانات والمهمة التي تعمل عليها.
تحدث نماذج التعلم هذه بالفعل فرقًا في العديد من القطاعات، حيث تحل المشكلات المعقدة بحلول مبتكرة. دعونا نلقي نظرة فاحصة على كيفية تطبيقها في العالم الحقيقي.
يُعد التعلم بعدد قليل من اللقطات بمثابة تغيير جذري في قطاع الرعاية الصحية، وخاصة في التصوير الطبي. يمكن أن يساعد الأطباء على تشخيص الأمراض النادرة باستخدام أمثلة قليلة فقط أو حتى أوصاف، دون الحاجة إلى كميات كبيرة من البيانات. وهذا مفيد بشكل خاص عندما تكون البيانات محدودة، وهو ما يحدث غالبًا لأن جمع مجموعات بيانات كبيرة للحالات النادرة قد يكون أمرًا صعبًا.
على سبيل المثال، يستخدم SHEPHERD التعلم قليل الطلقات ورسوم بيانية المعرفة الطبية الحيوية لتشخيص الاضطرابات الوراثية النادرة. يقوم بتعيين معلومات المريض، مثل الأعراض ونتائج الاختبار، على شبكة من الجينات والأمراض المعروفة. يساعد هذا في تحديد السبب الوراثي المحتمل والعثور على حالات مماثلة، حتى عندما تكون البيانات محدودة.
في الزراعة، يعد تحديد أمراض النباتات بسرعة أمرًا ضروريًا لأن التأخير في الاكتشاف يمكن أن يؤدي إلى تلف واسع النطاق للمحاصيل وتقليل الغلة وخسائر مالية كبيرة. غالبًا ما تعتمد الطرق التقليدية على مجموعات بيانات كبيرة ومعرفة الخبراء، والتي قد لا تكون متاحة دائمًا، خاصة في المناطق النائية أو محدودة الموارد. هذا هو المكان الذي تظهر فيه التطورات في الذكاء الاصطناعي، مثل التعلم الصفري.
لنفترض أن مزارعًا يزرع الطماطم والبطاطس ويلاحظ أعراضًا مثل اصفرار الأوراق أو البقع البنية. يمكن أن يساعد التعلم الصفري في تحديد الأمراض مثل اللفحة المتأخرة دون الحاجة إلى مجموعات بيانات كبيرة. وباستخدام أوصاف الأعراض، يمكن للنموذج classify الأمراض التي لم يرها من قبل. هذا النهج سريع وقابل للتطوير، ويتيح للمزارعين detect مجموعة متنوعة من المشاكل النباتية. يساعدهم على مراقبة صحة المحاصيل بكفاءة أكبر، واتخاذ الإجراءات في الوقت المناسب، وتقليل الخسائر.
غالبًا ما تحتاج المركبات ذاتية القيادة إلى التكيف مع البيئات المختلفة للتنقل بأمان. يساعد التعلم بالنقل (Transfer learning) هذه المركبات على استخدام المعرفة السابقة للتكيف بسرعة مع الظروف الجديدة دون البدء في التدريب من الصفر. وبالاشتراك مع الرؤية الحاسوبية، التي تساعد المركبات على تفسير المعلومات المرئية، تمكّن هذه التقنيات من سلاسة التنقل عبر التضاريس والظروف الجوية المختلفة، مما يجعل القيادة الذاتية أكثر كفاءة وموثوقية.
ومن الأمثلة الجيدة على ذلك في العمل نظام إدارة مواقف السيارات الذي يستخدم Ultralytics YOLO11 لمراقبة أماكن وقوف السيارات. يمكن ضبط نموذج YOLO11 وهو نموذج مُدرَّب مسبقاً للكشف عن الأجسام، باستخدام التعلُّم التحويلي لتحديد أماكن وقوف السيارات الفارغة والمشغولة في الوقت الفعلي. من خلال تدريب النموذج على مجموعة بيانات أصغر من صور مواقف السيارات، يتعلم النموذج كيفية detect الأماكن المفتوحة والأماكن الممتلئة وحتى الأماكن المحجوزة بدقة.
يمكن لهذا النظام المدمج مع التقنيات الأخرى توجيه السائقين إلى أقرب مكان متاح، مما يساعد على تقليل وقت البحث والازدحام المروري. يجعل التعلم التحوّلي هذا الأمر ممكناً من خلال البناء على قدرات YOLO11الحالية للكشف عن الأشياء، مما يسمح له بالتكيف مع الاحتياجات المحددة لإدارة مواقف السيارات دون البدء من الصفر. يعمل هذا النهج على توفير الوقت والموارد مع إنشاء حل عالي الكفاءة وقابل للتطوير يحسّن عمليات وقوف السيارات ويعزز تجربة المستخدم بشكل عام.
يتجه مستقبل نماذج التعلم في رؤية الحاسوب نحو تطوير أنظمة ذكاء اصطناعي بصري أكثر ذكاءً واستدامة. وعلى وجه الخصوص، يتمثل أحد الاتجاهات المتنامية في استخدام الأساليب الهجينة التي تجمع بين التعلم بعدد قليل من اللقطات (few-shot learning) والتعلم بدون لقطات (zero-shot learning) والتعلم بالنقل (transfer learning). من خلال الجمع بين نقاط القوة في هذه الأساليب، يمكن للنماذج تعلم مهام جديدة بأقل قدر من البيانات وتطبيق معرفتها عبر مجالات مختلفة.
أحد الأمثلة المثيرة للاهتمام هو استخدام التضمينات العميقة المعدلة لضبط النماذج باستخدام المعرفة من المهام السابقة وكمية صغيرة من البيانات الجديدة، مما يسهل العمل مع مجموعات البيانات المحدودة.
وبالمثل، تم تصميم التعلم بعدد قليل من اللقطات (X-shot learning) للتعامل مع المهام بكميات مختلفة من البيانات. فهو يستخدم الإشراف الضعيف، حيث تتعلم النماذج من الملصقات المحدودة أو المشوشة، وتعليمات واضحة لمساعدتها على التكيف بسرعة، حتى مع وجود أمثلة قليلة أو معدومة متاحة مسبقًا. توضح هذه الأساليب الهجينة كيف يمكن لدمج طرق التعلم المختلفة أن يساعد أنظمة الذكاء الاصطناعي على مواجهة التحديات بشكل أكثر فعالية.
يتناول كل من التعلم بعدد قليل من اللقطات والتعلم بدون لقطات والتعلم بالنقل تحديات محددة في رؤية الكمبيوتر، مما يجعلها مناسبة لمهام مختلفة. يعتمد النهج الصحيح على التطبيق المحدد ومقدار البيانات المتاحة. على سبيل المثال، يعمل التعلم بعدد قليل من اللقطات بشكل جيد مع البيانات المحدودة، في حين أن التعلم بدون لقطات رائع للتعامل مع الفئات غير المرئية أو غير المألوفة.
بالنظر إلى المستقبل، من المرجح أن يكون الجمع بين هذه الطرق لإنشاء نماذج هجينة تدمج الرؤية واللغة والصوت محورًا رئيسيًا. تهدف هذه التطورات إلى جعل أنظمة الذكاء الاصطناعي أكثر مرونة وكفاءة وقدرة على معالجة المشكلات المعقدة، مما يفتح إمكانيات جديدة للابتكار في هذا المجال.
استكشف المزيد عن الذكاء الاصطناعي من خلال الانضمام إلى مجتمعنا والاطلاع على مستودع GitHub الخاص بنا. تعرّف على كيفية قيام الذكاء الاصطناعي في السيارات ذاتية القيادة والرؤية الحاسوبية في الزراعة بإعادة تشكيل المستقبل. اطلع على خيارات ترخيصYOLO المتاحة للبدء!
