Convolutional Neural Network (CNN)

تعد الشبكة العصبية التلافيفية (CNN) بنية متخصصة في التعلم العميق صُممت لمعالجة البيانات ذات الطوبولوجيا الشبيهة بالشبكة، وأبرزها الصور الرقمية. وبوحي من الهيكل البيولوجي لـ القشرة البصرية، تتمتع شبكات CNN بقدرة فريدة على الحفاظ على العلاقات المكانية داخل بيانات الإدخال. وخلافاً للشبكات العصبية التقليدية التي تسطح الصورة إلى قائمة طويلة من الأرقام، تقوم شبكات CNN بتحليل مناطق صغيرة متداخلة من الصورة لتعلم تراتبيات الميزات تلقائياً—بدءاً من الحواف والأنسجة البسيطة وصولاً إلى الأشكال والأجسام المعقدة. هذه القدرة تجعلها التكنولوجيا الأساسية التي تعتمد عليها أنظمة رؤية الحاسوب (CV) الحديثة.

Link to this sectionكيف تعمل الشبكات العصبية التلافيفية#

تكمن قوة شبكة CNN في قدرتها على تقليل صورة معقدة إلى شكل يسهل معالجته دون فقدان الميزات الضرورية للحصول على تنبؤ جيد. يتحقق ذلك من خلال سلسلة من الطبقات المتميزة التي تحول حجم الإدخال إلى فئة أو قيمة إخراج:

• طبقة التلافيف: هي اللبنة الأساسية. تستخدم مجموعة من المرشحات (أو النوى) القابلة للتعلم والتي تنزلق فوق صورة الإدخال مثل كشاف الضوء. في كل موضع، يقوم المرشح بإجراء عملية رياضية تسمى التلافيف، مما ينشئ خريطة ميزات تبرز أنماطاً محددة مثل الخطوط الأفقية أو تدرجات الألوان.
• دالة التنشيط: بعد التلافيف، يتم تطبيق دالة غير خطية على المخرجات. الخيار الأكثر شيوعاً هو ReLU (وحدة الخطية المصححة)، التي تحول قيم البكسل السالبة إلى صفر. هذا يقدم اللاخطية، مما يسمح للشبكة بتعلم أنماط معقدة تتجاوز العلاقات الخطية البسيطة.
• طبقة التجميع (Pooling Layer): تُعرف أيضاً باسم أخذ العينات الفرعي، وتعمل هذه الطبقة على تقليل أبعاد خرائط الميزات. تحافظ تقنيات مثل التجميع الأقصى على أهم الميزات فقط (أعلى القيم) في منطقة ما، مما يقلل من العبء الحسابي ويساعد في منع الإفراط في التخصيص.
• طبقة الاتصال الكامل (Fully Connected Layer): في المرحلة النهائية، يتم تسطيح الميزات المعالجة وتغذيتها في شبكة عصبية (NN) قياسية. تستخدم هذه الطبقة الميزات عالية المستوى التي حددتها الطبقات السابقة لإجراء تصنيف أو تنبؤ نهائي، مثل "قطة" أو "كلب".

Link to this sectionتطبيقات العالم الحقيقي#

لقد أحدثت شبكات CNN تحولاً في الصناعات من خلال أتمتة المهام البصرية بـ دقة تفوق القدرات البشرية.

• التشخيص الطبي: في مجال الرعاية الصحية، تساعد شبكات CNN أخصائيي الأشعة من خلال تحديد الشذوذ في الفحوصات الطبية بشكل أسرع من العين البشرية. على سبيل المثال، تحلل نماذج التعلم العميق تصوير الرنين المغناطيسي والأشعة المقطعية للكشف عن العلامات المبكرة للأورام أو الكسور. تسلط البحوث التي تتضمن الذكاء الاصطناعي في الأشعة الضوء على كيفية تحسين هذه الأدوات لاتساق وسرعة التشخيص.
• الأنظمة المستقلة: تعتمد السيارات ذاتية القيادة بشكل كبير على شبكات CNN لإدراك محيطها. تستخدم نماذج مثل YOLO26 هياكل CNN فعالة لإجراء كشف عن الأجسام في الوقت الفعلي، وتحديد المشاة وإشارات المرور والمركبات الأخرى لاتخاذ قرارات قيادة في أجزاء من الثانية.

Link to this sectionشبكات CNN مقابل محولات الرؤية (ViT)#

بينما ظلت شبكات CNN لفترة طويلة هي المعيار لمهام الرؤية، ظهرت بنية أحدث تسمى محول الرؤية (ViT).

• شبكات CNN تعالج الصور باستخدام ميزات محلية وهي فعالة للغاية على مجموعات البيانات الأصغر بسبب "تحيزها الاستقرائي" (تفترض أن البكسلات المجاورة مرتبطة ببعضها البعض). وهي تتفوق في السيناريوهات التي تتطلب استنتاجاً في الوقت الفعلي على أجهزة الحافة.
• شبكات ViT تقسم الصور إلى رقع وتعالجها باستخدام آليات الانتباه الذاتي العالمية. يسمح هذا لها بالتقاط التبعيات بعيدة المدى عبر الصورة ولكنها تتطلب عادةً مجموعات بيانات ضخمة وقوة حوسبة أكبر للتدريب بفعالية.

Link to this sectionمثال على التنفيذ#

تجعل المكتبات الحديثة من السهل استخدام النماذج القائمة على CNN. توفر حزمة ultralytics الوصول إلى أحدث النماذج مثل YOLO26، والتي تتميز ببنى CNN محسنة للغاية من أجل استنتاج سريع.

يوضح المثال التالي كيفية تحميل نموذج CNN مدرب مسبقاً وتشغيل تنبؤ:

from ultralytics import YOLO

# Load a YOLO26 model, which uses an advanced CNN architecture
model = YOLO("yolo26n.pt")

# Run inference on an image to identify objects
results = model("https://ultralytics.com/images/bus.jpg")

# Display the prediction results
results[0].show()

Link to this sectionأدوات التطوير#

يتم دعم تطوير شبكات CNN من خلال نظام بيئي قوي من أدوات المصدر المفتوح. يستخدم المهندسون عادةً أطر عمل مثل PyTorch أو TensorFlow لبناء بنيات مخصصة. توفر هذه المكتبات عمليات الموتر منخفضة المستوى المطلوبة للتلافيف والانتشار العكسي.

بالنسبة للفرق التي تتطلع إلى تبسيط دورة حياة مشاريع رؤية الحاسوب—من جمع البيانات إلى النشر—تقدم منصة Ultralytics حلاً شاملاً. فهي تبسط سير العمل المعقد، مما يسمح للمطورين بالتركيز على تطبيق شبكات CNN لحل مشاكل الأعمال بدلاً من إدارة البنية التحتية. بالإضافة إلى ذلك، يمكن تصدير النماذج إلى تنسيقات مثل ONNX أو TensorRT للنشر عالي الأداء على أجهزة الحافة.