استخدام زيادات Albumentations لتنويع بياناتك

عند بناء حل الرؤية الحاسوبية، يمكن أن يكون جمع مجموعة متنوعة من الصور لتدريب نماذج الذكاء الاصطناعي للرؤية جزءًا بالغ الأهمية من العملية. وغالبًا ما يتطلب ذلك الكثير من الوقت والمال، وأحيانًا لا تكون الصور المجموعة متنوعة بما يكفي لتتعلم منها النماذج بفاعلية.

على سبيل المثال، يمكن تدريب نماذج الرؤية الحاسوبية مثل Ultralytics YOLO11 تدريبًا مخصصًا على مجموعات بيانات للصور من أجل مهام الرؤية الحاسوبية المتنوعة المرتبطة بتطبيقات مختلفة. وتُعد البيانات المتنوعة أمرًا أساسيًا لأنها تساعد النموذج على التعميم بصورة أفضل، مما يتيح له التعرّف على الكائنات والأنماط في مجموعة واسعة من السيناريوهات الواقعية.

إذا كنت تواجه صعوبة بسبب نقص البيانات المتنوعة، فقد تكون تقنيات زيادة بيانات الصور حلًا رائعًا. إذ يمكن لأساليب مثل التدوير والقلب وضبط السطوع أن تساعد على زيادة تنوع مجموعة بياناتك، وتحسين قدرة النموذج على التعامل مع نطاق أوسع من الظروف.

لهذا السبب، تدعم Ultralytics تكاملًا لزيادة بيانات الصور. وباستخدام Albumentations، وهي أداة شائعة توفر مجموعة من التحويلات، يمكنك إنشاء بيانات مرئية متنوعة. ويبسّط هذا التكامل عملية تدريب YOLO11 من خلال زيادة صور التدريب تلقائيًا، مما يؤدي إلى تحسين أداء النموذج.

في هذه المقالة، سنستكشف كيفية استخدام تكامل Albumentations وفوائده وتأثيره في تدريب النماذج.

ما هي Albumentations؟#

يمكن لنماذج الرؤية الحاسوبية أن تتعلم من مجموعة واسعة من الصور عالية الجودة للتعرّف على الكائنات في بيئات مختلفة. وقد يكون جمع مجموعات بيانات كبيرة من مصادر واقعية بطيئًا ومكلفًا وغير فعّال. ولتبسيط هذه المهمة، يمكنك استخدام زيادة بيانات الصور لإنشاء تنويعات جديدة من الصور الحالية، مما يساعد النماذج على التعلم من سيناريوهات مختلفة دون جمع مزيد من البيانات.

وبالتحديد، يمكنك الاستفادة من Albumentations، وهي مكتبة مفتوحة المصدر قُدّمت في عام 2018 لزيادة بيانات الصور بكفاءة. وهي تدعم مجموعة متنوعة من العمليات، بدءًا من التغييرات الهندسية البسيطة مثل التدوير والقلب، وصولًا إلى تعديلات أكثر تعقيدًا مثل السطوع والتباين وإضافة الضوضاء.

الشكل 1. أمثلة على أنواع مختلفة من زيادات بيانات الصور.

الميزات الرئيسية لـ Albumentations#

تشتهر Albumentations بأدائها العالي، ما يعني أنها تستطيع معالجة الصور بسرعة وكفاءة. وبُنيت على مكتبات محسّنة مثل OpenCV وNumPy، وهي تتعامل مع مجموعات البيانات الكبيرة بأقل وقت معالجة، مما يجعلها مثالية لزيادة البيانات بسرعة أثناء تدريب النماذج.

فيما يلي بعض الميزات الرئيسية الأخرى لـ Albumentations:

• نطاق واسع من التحويلات: توفر Albumentations أكثر من 70 نوعًا من زيادات البيانات. وتساعد هذه التنويعات النماذج على تعلم اكتشاف الكائنات رغم التغيرات في الإضاءة أو الزوايا أو الخلفيات.
• محسّنة للسرعة: تستخدم تقنيات تحسين متقدمة مثل SIMD (تعليمة واحدة، وبيانات متعددة)، التي تعالج نقاط بيانات متعددة في آن واحد لتسريع زيادة الصور والتعامل مع مجموعات البيانات الكبيرة بكفاءة.
• ثلاثة مستويات من زيادات البيانات: تعمل على تحسين البيانات بثلاث طرق. فعلى سبيل المثال، تضبط زيادات مستوى البكسل السطوع واللون من دون تغيير الكائنات. وفي الوقت نفسه، تعدّل زيادات المستوى المكاني مواضع الكائنات مع الحفاظ على التفاصيل الأساسية، بينما تمزج زيادات مستوى المزج أجزاءً من صور مختلفة لإنشاء عينات جديدة.

لماذا ينبغي لك استخدام تكامل Albumentations؟#

قد تتساءل: توجد طرق عديدة لتطبيق زيادات البيانات على مجموعة بيانات، بل يمكنك حتى إنشاء زياداتك الخاصة باستخدام أدوات مثل OpenCV. فلماذا تختار تكاملًا يدعم مكتبة مثل Albumentations؟

قد يستغرق إنشاء زيادات البيانات يدويًا باستخدام أدوات مثل OpenCV وقتًا طويلًا ويتطلب قدرًا من الخبرة. وقد يكون أيضًا من الصعب ضبط التحويلات بدقة للحصول على أفضل النتائج. ويجعل تكامل Albumentations هذه العملية أسهل، إذ يوفر العديد من التحويلات الجاهزة للاستخدام التي يمكن أن توفر عليك الوقت والجهد عند إعداد مجموعة البيانات.

من الأسباب الأخرى لاختيار تكامل Albumentations أنه يعمل بسلاسة مع مسار تدريب النماذج في Ultralytics. فهو يسهّل كثيرًا تدريب YOLO11 تدريبًا مخصصًا، إذ تُطبّق زيادات البيانات تلقائيًا أثناء التدريب. كما يبسّط العملية، لتتمكن من التركيز بدرجة أكبر على تحسين نموذجك بدلًا من التعامل مع إعداد البيانات.

البدء باستخدام تكامل Albumentations#

من المثير للاهتمام أن استخدام تكامل Albumentations لتدريب Ultralytics YOLO11 أبسط مما قد يبدو. فبمجرد إعداد المكتبات الصحيحة، يطبّق التكامل زيادات بيانات الصور تلقائيًا أثناء التدريب. ويساعد ذلك النموذج على التعلم من تنويعات مختلفة للصور باستخدام مجموعة البيانات نفسها.

بعد ذلك، سنوضّح كيفية تثبيت تكامل Albumentations واستخدامه عند تدريب Ultralytics YOLO11 تدريبًا مخصصًا.

تثبيت حزمة Ultralytics Python وAlbumentations#

قبل تطبيق زيادات البيانات، يجب تثبيت كل من حزمة Ultralytics Python وAlbumentations. وقد صُمم التكامل بحيث تعمل المكتبتان معًا بسلاسة افتراضيًا، لذا لا داعي للقلق بشأن الإعدادات المعقدة.

يمكن إكمال عملية التثبيت بأكملها في بضع دقائق فقط باستخدام أمر pip واحد، وهو أداة لإدارة الحزم وتثبيت مكتبات Python، كما هو موضح في الصورة أدناه.

الشكل 2. تثبيت Ultralytics وAlbumentations.

بمجرد تثبيت Albumentations، يطبّق وضع تدريب النماذج في Ultralytics زيادات الصور تلقائيًا أثناء التدريب. وإذا لم تُثبّت Albumentations، فلن تُطبّق هذه الزيادات. لمزيد من التفاصيل، يمكنك الرجوع إلى وثائق Ultralytics الرسمية.

تدريب Ultralytics YOLO11 بمساعدة تكامل Albumentations#

لنلقِ نظرة أفضل على ما يحدث داخل تكامل Albumentations.

إليك نظرة عن كثب على زيادات البيانات التي تُطبّق أثناء تدريب Ultralytics YOLO11:

• التمويه: يضيف هذا التحويل تمويهًا خفيفًا إلى الصورة. ويساعد النموذج على اكتشاف الكائنات حتى عندما تكون خارج نطاق التركيز.
• التمويه الوسيط: يقلل الضوضاء العشوائية مع الحفاظ على حواف الكائنات في الصورة. وهذا يسهّل على النموذج اكتشاف الكائنات في البيئات المعقدة.
• التدرج الرمادي: من خلال تحويل الصورة إلى الأبيض والأسود، يمكن لهذه الزيادة أن تساعد النموذج على التركيز على الأشكال والأنسجة بدلًا من الألوان.
• CLAHE (معادلة المدرج التكراري التكيفية محدودة التباين): تعمل هذه الزيادة على تعزيز التباين في الصور، ولا سيما في المناطق شديدة الظلمة أو صعبة الرؤية، مثل الظروف منخفضة الإضاءة أو الضبابية. وهذا يجعل الكائنات في تلك المناطق أوضح وأسهل على النموذج في التعرّف عليها.

الشكل 3. مثال على تطبيق زيادة التدرج الرمادي على صورة قطة.

تطبيقات Ultralytics YOLO11 وتكامل Albumentations#

إذا كنت تدرب Ultralytics YOLO11 تدريبًا مخصصًا لتطبيق معين، فيمكن لتكامل Albumentations أن يساعد على تحسين أداء النموذج من خلال تكييفه مع ظروف متنوعة. دعونا نناقش بعض التطبيقات الواقعية والتحديات التي يمكن لهذا التكامل حلها.

تحسين التصوير الطبي#

يساعد الذكاء الاصطناعي للرؤية في الرعاية الصحية الأطباء على تحليل الصور الطبية بدقة أكبر للمساعدة في التشخيص وتحسين رعاية المرضى. وفي الواقع، تستخدم نحو خُمس مؤسسات الرعاية الصحية حلول الذكاء الاصطناعي بالفعل.

ومع ذلك، ينطوي إنشاء حلول الرؤية الحاسوبية هذه على مجموعة تحديات خاصة به. فقد تختلف الفحوصات الطبية اختلافًا كبيرًا بين المستشفيات، متأثرةً بعوامل مثل اختلاف المعدات والإعدادات وحتى خبرة الفنيين. ويمكن أن تؤثر الاختلافات في السطوع والتباين والتعريض في اتساق نماذج الذكاء الاصطناعي للرؤية ودقتها، مما يصعّب عليها الأداء بصورة موثوقة عبر البيئات المختلفة.

هنا يصبح تكامل أدوات مثل Albumentations ضروريًا. فمن خلال إنشاء إصدارات متعددة مُعزّزة من الفحص نفسه، تتيح Albumentations للنموذج التعلم من مجموعة متنوعة من جودة الصور. ويساعد ذلك النموذج على أن يصبح أكثر متانة، مما يتيح له اكتشاف الأمراض بدقة في كل من الصور عالية الجودة ومنخفضة الجودة.

الشكل 4. صور الأشعة السينية المُعزّزة.

تعزيز الأمن والمراقبة#

من التطبيقات المثيرة للاهتمام الأخرى للذكاء الاصطناعي للرؤية مجال الأمن والمراقبة. ويمكن أن يساعد اكتشاف الكائنات في الوقت الفعلي فرق الأمن على تحديد التهديدات المحتملة بسرعة.

يتمثل أحد الشواغل الرئيسية المرتبطة بهذا التطبيق في أن كاميرات الأمن تلتقط لقطات في ظروف إضاءة مختلفة على مدار اليوم، ويمكن لهذه الظروف أن تؤثر بشدة في كيفية فهم النموذج لهذه الصور. وقد تجعل عوامل مثل البيئات منخفضة الإضاءة أو الوهج أو ضعف الرؤية من الصعب على نماذج الرؤية الحاسوبية اكتشاف الكائنات أو التعرّف على التهديدات المحتملة باستمرار.

يساعد تكامل Albumentations من خلال تطبيق تحويلات تحاكي ظروف الإضاءة المختلفة. ويتيح ذلك للنموذج تعلم اكتشاف الكائنات في البيئات الساطعة ومنخفضة الإضاءة على حد سواء، مما يجعله أكثر موثوقية ويحسّن أوقات الاستجابة في الظروف الصعبة.

إعادة تعريف سير عمل البيع بالتجزئة وتجربة العملاء#

يُعد انسكاب سائل في ممر أحد المتاجر الكبرى، أو ركض كلب داخل متجر، أو إسقاط طفل لواجهة عرض منتجات، مجرد أمثلة قليلة على أحداث يومية قد تمثل حالات طرفية في بيئات الذكاء الاصطناعي للرؤية في تجارة التجزئة. ويُستخدم الآنَتزايد استخدام الرؤية الحاسوبية لتحسين تجربة العملاء من خلال تتبع سلوك المتسوقين، ومراقبة حركة الزوار، وتحديد المنتجات على الرفوف. ومع ذلك، قد يكون من الصعب على أنظمة الذكاء الاصطناعي فهم هذه المواقف الواقعية ومعالجتها بدقة.

مع أنه لا يمكن تمثيل كل سيناريو في مجموعة بيانات للرؤية الحاسوبية، فإن تكامل Albumentations يساعد من خلال زيادة البيانات لتغطية العديد من المواقف المحتملة، مثل الإضاءة غير المتوقعة أو الزوايا غير المعتادة أو العوائق. ويساعد ذلك نماذج الرؤية الحاسوبية على التكيف مع الظروف المختلفة، مما يحسّن قدرتها على التعامل مع الحالات الطرفية وإجراء تنبؤات دقيقة في بيئات البيع بالتجزئة الديناميكية.

أهم النقاط المستخلصة#

قد يكون جمع بيانات متنوعة من العالم الحقيقي لتدريب النماذج معقدًا، لكن Albumentations تجعل ذلك أسهل من خلال إنشاء تنويعات للصور تساعد النماذج على التكيف مع الظروف المختلفة.

يبسّط تكامل Albumentations الذي تدعمه Ultralytics عملية تطبيق هذه الزيادات أثناء تدريب YOLO11 تدريبًا مخصصًا. وينتج عن ذلك جودة أفضل لمجموعة البيانات، مما يفيد مجموعة واسعة من الصناعات من خلال إنتاج نماذج ذكاء اصطناعي للرؤية أكثر دقة وموثوقية.

انضم إلى مجتمعنا واستكشف مستودع GitHub الخاص بنا لمعرفة المزيد عن الذكاء الاصطناعي، واطّلع على خيارات الترخيص لدينا لبدء مشاريعك في مجال الذكاء الاصطناعي للرؤية. هل تهتم بابتكارات مثل الذكاء الاصطناعي في التصنيع أو الرؤية الحاسوبية في القيادة الذاتية؟ تفضل بزيارة صفحات حلولنا لاكتشاف المزيد.