Data Augmentation

يُعد التدعيم البياني تقنية بالغة الأهمية في التعلم الآلي والؤؤية الحاسوبية، وتُستخدم لزيادة حجم بيانات التدريب وتنوعها اصطناعياً عبر إنشاء نسخ معدلة من البيانات الحالية. وبدلاً من جمع بيانات جديدة بالكامل وتسميتها، وهو أمر قد يستغرق وقتاً طويلاً ومكلفاً، يُطبق التدعيم تحويلات مختلفة على العينات الأصلية. وتساعد هذه التعديلات نماذج التعلم الآلي على تعلم التعرف على الأنماط بشكل أكثر قوة، مما يضمن أداءها الجيد حتى عند مواجهة اختلافات في بيئات العالم الحقيقي. ومن خلال تعريض النماذج لنطاق أوسع من السيناريوهات أثناء التدريب، يمكن للمطورين تقليل التفرط في التخصيص بفاعلية وتحسين التعميم.

الأهمية في الذكاء الاصطناعي الحديث#

في مجال رؤية حاسوبية، غالباً ما تواجه النماذج صعوبة عند تقديم صور تختلف قليلاً عن بيانات تدريبها. يمكن للاختلافات في الإضاءة، أو الاتجاه، أو ازدحام الخلفية أن تربك نموذجاً لم يشهد تنوعاً كافياً. ويعالج التدعيم البياني هذه المشكلة من خلال محاكاة هذه الاختلافات برمجياً. على سبيل المثال، يمكن تدوير صورة قطة، أو قلبها، أو تغبيشها قليلاً لتعليم النموذج أن الموضوع يظل "قطة" بغض النظر عن هذه التغييرات.

تعتبر هذه العملية جزءاً لا يتجزأ من نجاح الهياكل الحديثة مثل Ultralytics YOLO26، والتي تعتمد على مجموعات بيانات غنية ومتنوعة لتحقيق دقة عالية في مهام مثل object detection وimage segmentation. من خلال تركيب أمثلة تدريب جديدة، يتيح الاستحداث للنماذج تعلم ميزات ثابتة - وهي خصائص لا تتغير على الرغم من التعديلات في المدخلات.

التقنيات والأساليب الشائعة#

يشتمل تعزيز البيانات على مجموعة واسعة من تقنيات التحويل، بدءاً من التعديلات الهندسية البسيطة وصولاً إلى الأساليب التوليدية المعقدة:

• التحويلات الهندسية: تشمل عمليات مثل التدوير، والتحجيم، والقلب، والقص، والترجمة (الإزاحة) للصور. تمثل هذه التغييرات في زاوية رؤية الكاميرا أو موضع الكائن.
• تعديلات مساحة اللون: يساعد تعديل السطوع والتباين والتشبع ودرجة اللون النماذج على التعامل مع ظروف الإضاءة المختلفة أو مستشعرات الكاميرا.
• حقن الضوضاء: يمكن أن تؤدي إضافة ضوضاء عشوائية (مثل ضوضاء غاوس) إلى جعل النماذج أكثر مرونة في التعامل مع بيانات الإدخال المحببة أو منخفضة الجودة.
• دمج الصور: تجمع تقنيات مثل MixUp أو Mosaic (الشائعة في تدريب YOLO) صوراً متعددة في عينة تدريب واحدة، مما يجبر النموذج على تعلم السياق وعلاقات الكائنات بشكل أكثر فعالية.
• النهج التوليدية: تستخدم الطرق المتقدمة الذكاء الاصطناعي التوليدي أو نماذج الانتشار لإنشاء عينات تدريب اصطناعية جديدة بالكامل تحاكي خصائص مجموعة البيانات الأصلية.

تطبيقات العالم الحقيقي#

يمتد التأثير العملي لتعزيز البيانات ليشمل العديد من الصناعات التي يمثل فيها ندرة البيانات أو التباين العالي تحدياً.

القيادة الذاتية#

في تطوير المركبات ذاتية القيادة، يُعد جمع البيانات لكل حالة جوية أو سيناريو إضاءة ممكن أمراً مستحيلاً تقريبا. يستخدم المهندسون التدعيم البياني لمحاكاة المطر، أو الضباب، أو الثلوج، أو الوهج على صور الطقس الصافي. ويضمن هذا أن نظام الإدراك يمكنه اكتشاف المشاة، وإشارات المرور، والمركبات الأخرى بشكل موثوق بغض النظر عن العوامل البيئية، مما يعزز السلامة والموثوقية.

التصوير الطبي#

غالباً ما تعاني تحليل الصور الطبية من محدودية مجموعات البيانات بسبب مخاوف الخصوصية وندرة بعض الحالات. يتيح التدعيم للباحثين توسيع مجموعات البيانات الصغيرة من الأشعة السينية أو التصوير بالرنين المغناطيسي عن طريق تطبيق تشوهات مرنة، أو تدويرات، أو تحولات في الكثافة. ويساعد هذا في تدريب نماذج تشخيصية قوية قادرة على تحديد الأورام أو الكسور بحساسية عالية، حتى عندما تختلف وضعية المريض أو جودة الفحص.

التمييز بين المفاهيم ذات الصلة#

من المهم التمييز بين التدعيم البياني والبيانات الاصطناعية. وفي حين يهدف كلاهما إلى زيادة حجم مجموعة البيانات، فإن البيانات الاصطناعية يتم توليدها اصطناعياً من الصفر (غالباً باستخدام محركات العرض الثلاثي الأبعاد أو المحاكاة)، في حين أن التدعيم البياني يعدل البيانات الواقعية الحالية. بالإضافة إلى ذلك، يتضمن المعالجة المسبقة للبيانات تنظيف البيانات وتنسيقها (على سبيل المثال، تغيير الحجم، التطبيع) لجعلها مناسبة للنموذج، ولكن على عكس التدعيم، فإنه لا يزيد بالضرورة من عدد عينات التدريب.

تنفيذ التعزيز باستخدام Ultralytics#

تدمج الأطر الحديثة عملية الاستحداث مباشرة في مسار التدريب. توضح المثال أدناه كيفية تطبيق عمليات الاستحداث مثل الانعكاس القياسي والتحجيم أثناء تدريب نموذج Ultralytics YOLO26 باستخدام حزمة ultralytics.

from ultralytics import YOLO

# Load the YOLO26 model
model = YOLO("yolo26n.pt")

# Train with custom data augmentation hyperparameters
# fliplr: 50% chance of horizontal flip, scale: image scaling gain
results = model.train(data="coco8.yaml", epochs=10, fliplr=0.5, scale=0.5)

من خلال ضبط هذه المعلمات الفائقة، يمكن للمطورين تصميم استراتيجية التدعيم لتناسب الاحتياجات المحددة لمجموعة بياناتهم وتطبيقهم، والاستفادة من مرونة منصة Ultralytics لتطوير النماذج بفاعلية.