ما هي البيانات الاصطناعية في الرؤية الحاسوبية؟ نظرة عامة

لطالما كانت البيانات عاملاً محركاً في مجالات مثل التحليلات والذكاء الاصطناعي (AI). في الواقع، إن الطريقة التي نجمع بها البيانات وننشئها ونستخدمها تشكل مستقبل الأنظمة الذكية. على سبيل المثال، تعتمد السيارات ذاتية القيادة على ملايين الصور المصنفة وقراءات المستشعرات، بدءاً من لافتات الطرق وحتى حركة المشاة، لتعلم كيفية التنقل في الطرق بأمان.

أحد أكثر أنواع البيانات حيوية لدفع هذا التقدم، خاصة في مجالات مثل المركبات ذاتية القيادة والأمن، هو البيانات البصرية مثل الصور ومقاطع الفيديو.

وعلى وجه الخصوص، يُطلق على مجال الذكاء الاصطناعي الذي يمكّن الآلات من تفسير هذه المعلومات البصرية اسم الرؤية الحاسوبية. فهي تساعد الأنظمة على فهم وتحليل المدخلات البصرية تماماً كما يفعل البشر، مما يدعم مهام مثل التعرف على الوجوه، واكتشاف لافتات المرور، وتحليل الصور الطبية.

ومع ذلك، فإن جمع مجموعات بيانات بصرية عالية الجودة وواسعة النطاق من العالم الحقيقي يمكن أن يكون مستهلكاً للوقت ومكلفاً، وغالباً ما يثير مخاوف تتعلق بالخصوصية. ولهذا السبب يستكشف الباحثون بنشاط مفهوم الاستفادة من البيانات الاصطناعية.

البيانات الاصطناعية تشير إلى مرئيات مولدة اصطناعياً تحاكي عن كثب الصور ومقاطع الفيديو الواقعية. يتم إنشاؤها باستخدام تقنيات مثل النمذجة ثلاثية الأبعاد، والمحاكاة الحاسوبية، وطرق الذكاء الاصطناعي التوليدي مثل شبكات الخصومة التوليدية (GANs)، التي تتعلم الأنماط من البيانات الحقيقية لإنتاج أمثلة جديدة واقعية.

من المتوقع أن تلعب البيانات الاصطناعية دوراً حاسماً في تطوير الذكاء الاصطناعي قريباً - حيث تتوقع Gartner أنه بحلول عام 2030، ستصبح أكثر أهمية من بيانات العالم الحقيقي. في هذه المقالة، سنستكشف ماهية البيانات الاصطناعية في سياق الرؤية الحاسوبية، وكيف يتم إنشاؤها، وأين يتم تطبيقها في سيناريوهات العالم الحقيقي. لنبدأ!

Link to this sectionما هي البيانات الاصطناعية في الرؤية الحاسوبية؟#

افترض أنك تريد تدريب نموذج رؤية ذكاء اصطناعي لاكتشاف الأشياء في بيئات وظروف متنوعة. الاعتماد فقط على بيانات العالم الحقيقي قد يكون صعباً وأحياناً يبدو مقيداً.

وفي الوقت نفسه، يمكن استخدام البيانات الاصطناعية لإنشاء مجموعة البيانات المناسبة، والتي تحتوي على كائنات في ظروف متنوعة تم إنشاؤها اصطناعياً. باستخدام أدوات مثل النمذجة ثلاثية الأبعاد والمحاكاة، يمكن للمطورين إنشاء صور مع تحكم دقيق في عوامل مثل الإضاءة والزوايا وموضع الكائن. وهذا بدوره يوفر مرونة أكبر لتدريب النموذج مقارنة ببيانات العالم الحقيقي.

تعد البيانات الاصطناعية مفيدة بشكل خاص عندما يكون جمع بيانات العالم الحقيقي صعباً أو مستحيلاً. على سبيل المثال، يتطلب تدريب نموذج للتعرف على الأشخاص في مجموعة واسعة من الأوضاع، مثل الجري أو القرفصاء أو الاستلقاء، التقاط آلاف الصور في العديد من الإعدادات والزوايا وظروف الإضاءة المختلفة.

من ناحية أخرى، باستخدام البيانات الاصطناعية، يمكن للمطورين بسهولة إنشاء هذه الاختلافات مع تسميات دقيقة، مما يوفر الوقت والجهد مع تحسين أداء النموذج.

شكل 1. مجموعة بيانات اصطناعية مع أوضاع بشرية مختلفة واختلافات في الإضاءة (المصدر).

Link to this sectionالبيانات الاصطناعية مقابل البيانات الحقيقية في الذكاء الاصطناعي#

بعد ذلك، دعونا نلقي نظرة فاحصة على الاختلافات بين البيانات الاصطناعية والبيانات الحقيقية. كلاهما له إيجابياته وسلبياته عندما يتعلق الأمر بـ تدريب نماذج الذكاء الاصطناعي.

على سبيل المثال، البيانات الاصطناعية مفيدة عندما يصعب جمع البيانات الحقيقية، لكنها قد لا تلتقط كل تفصيل صغير موجود في الحياة الواقعية. في الوقت نفسه، تكون البيانات الحقيقية أكثر أصالة، ولكن قد يكون من الصعب الحصول عليها، ومستهلكة للوقت في وضع التسميات، وقد لا تغطي كل حالة.

من خلال الجمع بين البيانات الاصطناعية والحقيقية، يمكن للمطورين الحصول على أفضل ما في العالمين. يساعد هذا التوازن نماذج الذكاء الاصطناعي على التعلم بدقة أكبر، والتعميم بشكل أفضل عبر سيناريوهات مختلفة، وتقليل التحيز.

شكل 2. البيانات الاصطناعية مقابل البيانات الحقيقية في الذكاء الاصطناعي. الصورة من قبل المؤلف.

Link to this sectionنظرة على توليد البيانات لنماذج الرؤية الحاسوبية#

بدءاً من بناء عوالم افتراضية باستخدام أدوات ثلاثية الأبعاد وصولاً إلى إنشاء صور باستخدام الذكاء الاصطناعي التوليدي، إليك بعض الطرق الشائعة المستخدمة لإنشاء بيانات تدريب اصطناعية لنماذج الرؤية الحاسوبية:

• النمذجة ثلاثية الأبعاد: يستخدم المطورون برامج ثلاثية الأبعاد لإنشاء كائنات ومشاهد رقمية. يسمح هذا بالتحكم الكامل في أشياء مثل الإضاءة، وزوايا الكاميرا، وموضع الكائن، وهو مفيد لإنشاء صور واقعية للأشخاص والمركبات والبيئات.
• المحاكاة: تقوم بإعادة إنشاء مواقف العالم الحقيقي، مثل حركة المرور أو بيئات المصانع، باستخدام محركات قائمة على الفيزياء. تعد عمليات المحاكاة مفيدة لتوليد بيانات التدريب بأمان في مجالات مثل الروبوتات والسيارات ذاتية القيادة.
• شبكات الخصومة التوليدية: GANs هي نوع من نماذج التعلم العميق المكونة من شبكتين: واحدة تنشئ الصور والأخرى تقيمها. معاً، تولدان صوراً واقعية للغاية، مثل وجوه البشر أو مناظر الشوارع، من خلال التعلم من أمثلة حقيقية.
• التوليد الإجرائي: تستخدم هذه التقنية قواعد محددة مسبقاً أو نماذج رياضية لتوليد هياكل بصرية معقدة تلقائياً مثل التضاريس، أو المباني، أو القوام. غالباً ما تُستخدم في منصات الألعاب والمحاكاة ويمكنها إنتاج مجموعات بيانات متنوعة واسعة النطاق بأقل تدخل بشري.
• توزيع النطاق (Domain randomization): يمكن لهذه التقنية تغيير أشياء مثل الإضاءة، والألوان، وأشكال الكائنات عشوائياً في المشاهد الاصطناعية. الهدف من هذه التقنية هو مساعدة النماذج على التركيز على ما يهم حقاً، مما يجعلها أكثر قابلية للتكيف مع بيئات العالم الحقيقي.

شكل 3. أمثلة للبيانات: (أ) قائمة على نماذج ثلاثية الأبعاد، (ب) مشاهد اصطناعية متعددة الكائنات، و(ج) صور مجموعة بيانات حقيقية (المصدر).

Link to this sectionتدريب نموذج الرؤية الحاسوبية بالبيانات الاصطناعية#

الآن وبعد أن ناقشنا بعض الطرق المختلفة المستخدمة لإنشاء البيانات الاصطناعية، دعونا نمر عبر كيفية استخدامها لتدريب نماذج الذكاء الاصطناعي.

بمجرد إنشائها، يمكن عادةً دمج البيانات الاصطناعية مباشرة في خط أنابيب التدريب بنفس طريقة بيانات العالم الحقيقي. وهي تتضمن عادةً التسميات التوضيحية اللازمة، مثل ملصقات الكائنات، أو مربعات الإحاطة (bounding boxes)، أو أقنعة التجزئة (segmentation masks)، مما يعني أنه يمكن استخدامها لمهام التعلم الخاضع للإشراف، حيث تتعلم النماذج من أزواج المدخلات والمخرجات المصنفة، دون الحاجة إلى وضع التسميات يدوياً.

أثناء التدريب، يقوم النموذج بمعالجة الصور الاصطناعية ليتعلم اكتشاف الميزات، والتعرف على الأنماط، وتصنيف الكائنات. يمكن استخدام هذه البيانات لبناء نسخة أولية من النموذج من الصفر أو لإثراء مجموعة بيانات موجودة، مما يساعد في تحسين أداء النموذج.

في العديد من سير العمل، تُستخدم البيانات الاصطناعية أيضاً للتدريب المسبق، مما يمنح النماذج فهماً أساسياً واسعاً قبل ضبطها بأمثلة من العالم الحقيقي. وبالمثل، تُستخدم لزيادة مجموعات البيانات عن طريق تقديم اختلافات محكومة، مثل ظروف الإضاءة المختلفة، أو الزوايا، أو فئات الكائنات النادرة، لتحسين التعميم وتقليل الإفراط في التجهيز (overfitting).

من خلال الجمع بين البيانات الاصطناعية والحقيقية، يمكن للفرق تدريب نماذج أكثر قوة تؤدي أداءً جيداً عبر مجموعة واسعة من الظروف، كل ذلك مع تقليل الاعتماد على جهود جمع البيانات اليدوية المستهلكة للوقت والمكلفة.

Link to this sectionتطبيقات العالم الحقيقي للبيانات الاصطناعية في الرؤية الحاسوبية#

مع تزايد عملية وسهولة الوصول إلى البيانات الاصطناعية، بدأنا نرى تبنيها عبر مجموعة متنوعة من حالات استخدام رؤية الذكاء الاصطناعي في العالم الحقيقي. دعونا نستكشف بعضاً من أكثر التطبيقات تأثيراً في الرؤية الحاسوبية حيث يتم استخدامها.

Link to this sectionاستخدام البيانات الاصطناعية لاكتشاف الكائنات في المركبات ذاتية القيادة#

تعليم السيارات ذاتية القيادة القيادة بأمان يتطلب تدريب النماذج على مجموعة واسعة من السيناريوهات، بما في ذلك المواقف النادرة أو الخطيرة. ومع ذلك، فإن جمع بيانات العالم الحقيقي لهذه الحالات النادرة يمكن أن يكون تحدياً وغير آمن أحياناً. يمكن أن تساعد البيانات الاصطناعية في إنشاء مشاهد حيث يمكن للنماذج تعلم اكتشاف الكائنات في المواقف الصعبة. يمكنها أيضاً محاكاة تكوينات مستشعرات مختلفة، وهو أمر مفيد لأن ليست كل السيارات ذاتية القيادة تستخدم نفس الأجهزة.

منصة NVIDIA’s DRIVE Sim تعد مثالاً رائعاً على ذلك. فهي تنشئ بيانات اصطناعية عالية الجودة باستخدام نماذج ثلاثية الأبعاد واقعية، وبيئات افتراضية، ومحاكاة للمستشعرات. يمكنها أيضاً إنشاء صور لزوايا قيادة متعددة من صورة واحدة. يساعد استخدام بيانات اصطناعية كهذه في تقليل الحاجة إلى اختبارات العالم الحقيقي المكلفة مع الاستمرار في إعطاء النموذج التنوع الذي يحتاجه للتعلم بفعالية.

شكل 4. إنشاء مناظر قيادة متعددة من صورة واحدة (المصدر).

Link to this sectionتقليل التحيز في الذكاء الاصطناعي للتصوير الطبي باستخدام البيانات الاصطناعية#

يمكن تدريب نماذج الرؤية الحاسوبية مثل Ultralytics YOLO11 التي تدعم مهام مثل اكتشاف الكائنات وتجزئة المثيل (instance segmentation) خصيصاً لتطبيقات التصوير الطبي. ومع ذلك، غالباً ما تحتوي بيانات التدريب في العالم الحقيقي على تحيزات، حيث قد لا تمثل بشكل كافٍ المرضى من جميع المجموعات الديموغرافية.

على سبيل المثال، يتم تشخيص سرطان الجلد بشكل أقل تكراراً لدى الأفراد ذوي البشرة الداكنة، مما يؤدي إلى بيانات محدودة لتلك المجموعات. يمكن أن يساهم هذا الخلل في التشخيص الخاطئ ونتائج رعاية صحية غير متكافئة، خاصة في مجالات مثل علم الأنسجة المرضي، وأشعة الصدر، والأمراض الجلدية.

يمكن للصور الاصطناعية أن تلعب دوراً في اتخاذ خطوة نحو سد هذه الفجوة في البيانات. من خلال إنشاء أمثلة إضافية ومتنوعة، مثل تشوهات الأنسجة المتنوعة، ومجموعة واسعة من حالات الرئة، ودرجات لون البشرة مع أنواع مختلفة من الآفات، يمكن للبيانات الاصطناعية المساعدة في تحسين أداء النموذج عبر المجموعات الأقل تمثيلاً.

يعمل الباحثون حالياً على تطوير والتحقق من صحة مجموعات البيانات الاصطناعية لدعم هذه الأهداف. وهم يستكشفون أيضاً كيف يمكن استخدام البيانات الاصطناعية لاختبار الأدوات الطبية واستراتيجيات العلاج دون الاعتماد على سجلات المرضى الحقيقية، مما يساعد في تسريع البحث مع حماية خصوصية المرضى. من خلال هذا العمل، تمهد البيانات الاصطناعية الطريق لأنظمة ذكاء اصطناعي طبية أكثر شمولاً ودقة وأخلاقية.

Link to this sectionتطوير الذكاء الاصطناعي الزراعي باستخدام البيانات الاصطناعية للزراعة الدقيقة#

يعتمد بناء أنظمة رؤية الذكاء الاصطناعي للتطبيقات الزراعية على الوصول إلى كميات كبيرة من البيانات المصنفة. ومع ذلك، فإن جمع وتصنيف صور المحاصيل، والأمراض، وظروف الحقول بطيء ومكلف وغالباً ما يكون مقيداً بأشياء مثل الطقس، ومواسم النمو، أو مدى صعوبة الوصول إلى مناطق معينة.

تجعل هذه التحديات من الصعب تدريب نماذج الرؤية الحاسوبية للتعامل مع مهام مثل اكتشاف أمراض النبات، أو مراقبة المحاصيل، أو التنبؤ بالإنتاجية. وهنا يمكن أن تساعد البيانات الاصطناعية - عن طريق محاكاة بيئات زراعية مختلفة لإنشاء أمثلة تدريب مفيدة.

شكل 5. استخدام الصور الاصطناعية لتحسين اكتشاف الأمراض (المصدر).

Link to this sectionأبرز النقاط#

يمثل استخدام البيانات الاصطناعية خطوة مهمة للأمام في تدريب نماذج الذكاء الاصطناعي، خاصة لأنظمة الرؤية الحاسوبية في المجالات التي تكون فيها بيانات العالم الحقيقي محدودة أو يصعب الحصول عليها. بدلاً من الاعتماد فقط على الصور أو مقاطع الفيديو الحقيقية، والتي يمكن أن تكون مكلفة، أو مستهلكة للوقت، أو تثير مخاوف تتعلق بالخصوصية، تسمح لنا البيانات الاصطناعية بإنشاء صور مصنفة وواقعية عند الطلب.

وهذا يجعل تدريب نماذج رؤية الذكاء الاصطناعي أسهل لمهام مثل القيادة الذاتية، أو اكتشاف الأمراض، أو مراقبة المحاصيل. ومع استمرار تطور الذكاء الاصطناعي، من المقرر أن تلعب البيانات الاصطناعية دوراً أكبر في تسريع الابتكار وتحسين إمكانية الوصول عبر الصناعات.

تعرف على المزيد حول الذكاء الاصطناعي على مستودع GitHub الخاص بنا وانضم إلى مجتمعنا المتنامي. اكتشف تأثير تطبيقات مثل الذكاء الاصطناعي في المركبات ذاتية القيادة والرؤية الحاسوبية في الزراعة. استكشف خيارات الترخيص لدينا وأحيِ مشاريع رؤية الذكاء الاصطناعي الخاصة بك.