Data Labeling

وَسْم البيانات هو العملية الأساسية لتحديد البيانات الخام—مثل الصور أو إطارات الفيديو أو النصوص أو الملفات الصوتية—وإضافة علامات أو بيانات وصفية مفيدة لتوفير السياق. في مجال تعلُّم الآلة (ML)، لا تستطيع الخوارزميات فهم العالم المادي فهمًا فطريًا؛ فهي تحتاج إلى «معلّم» يرشدها. ويأتي هذا التوجيه في شكل مجموعات بيانات موسومة تُستخدم أثناء التعلُّم الخاضع للإشراف. وتعمل الوسوم بمثابة الحقيقة الأساسية، إذ تمثل الإجابات الصحيحة التي يسعى النموذج إلى التنبؤ بها. وسواء أكان الأمر يتعلق بتدريب مُصنِّف بسيط أم بنية معقدة مثل Ultralytics YOLO26، فإن دقة هذه الوسوم واتساقها وجودتها تُعد المحددات الأساسية لنجاح النموذج.

وَسْم البيانات مقارنةً بتعليق البيانات#

رغم استخدام المصطلحين غالبًا بالتبادل في المحادثات غير الرسمية، توجد بينهما بعض الفروق الدقيقة الجديرة بالملاحظة. يشير «وَسْم البيانات» عمومًا إلى الفعل الواسع المتمثل في إسناد فئة أو وسم إلى جزء من البيانات (مثل وسم رسالة بريد إلكتروني بأنها «بريد عشوائي»). وعلى النقيض، يكون تعليق البيانات غالبًا أكثر تحديدًا في مجال الرؤية الحاسوبية (CV)، إذ يتضمن التحديد الدقيق للأجسام باستخدام المربعات المحيطة أو المضلعات أو النقاط الرئيسية. ومع ذلك، يصف المصطلحان داخل معظم سير عمل عمليات تعلُّم الآلة (MLOps) إنشاء بيانات التدريب عالية الجودة.

الأنواع الرئيسية في الرؤية الحاسوبية#

تتغير طريقة الوسم استنادًا إلى المهمة التي يجب على النموذج تنفيذها. وتشمل الأنواع الشائعة ما يلي:

• تصنيف الصور: إسناد وسم واحد إلى صورة كاملة، مثل تحديد حالة الطقس بأنها «غائمة» أو «مشْمسة».
• اكتشاف الأجسام: رسم مربعات محيطة ثنائية الأبعاد حول الأجسام المتميزة لتعليم النموذج ماهية الجسم وموقعه.
• تجزئة المثيلات: إنشاء أقنعة أو مضلعات حول الأجسام بدقة على مستوى البكسل، وهو أمر ضروري لتحديد الأشكال والحدود بدقة.
• تقدير الوضعية: تحديد النقاط الرئيسية على جسمٍ ما، مثل المفاصل الهيكلية، لتحليل الحركة أو الوضعية.

التطبيقات الواقعية#

تمتد فائدة وَسْم البيانات إلى جميع الصناعات تقريبًا التي تستخدم الذكاء الاصطناعي.

1. المركبات ذاتية القيادة: تعتمد السيارات ذاتية القيادة على مجموعات بيانات ضخمة يُوسَم فيها كل مركبة ومشاة وإشارة مرور وعلامة مسار بدقة متناهية. وتتيح هذه البيانات الموسومة لنظام الإدراك التنقل بأمان في البيئات المعقدة. تستثمر شركات المركبات ذاتية القيادة بكثافة في الوسم على مستوى البكسل لضمان الامتثال لمتطلبات السلامة.

2. الزراعة الدقيقة: في الزراعة الحديثة، يُستخدم الذكاء الاصطناعي في الزراعة لاكتشاف أمراض المحاصيل أو مراقبة مراحل النمو. ويستخدم المزارعون نماذج مدرَّبة على صور موسومة لأوراق «سليمة» مقابل أوراق «مريضة» لأتمتة المعالجة، مما يقلل استخدام المواد الكيميائية ويزيد الإنتاجية.

سير عمل وَسْم البيانات#

غالبًا ما يكون إنشاء مجموعة بيانات موسومة الجزء الأكثر استهلاكًا للوقت في مشروع للذكاء الاصطناعي. وتتضمن العملية عادةً نهج «الإنسان في الحلقة» (HITL)، حيث يتحقق المعلّقون البشريون من الوسوم لضمان دقة عالية. وتستفيد عمليات سير العمل الحديثة من أدوات مثل منصة Ultralytics، التي تبسّط إدارة مجموعات البيانات وتتيح للفرق التعاون في التعليقات التوضيحية. ويمكن أيضًا استخدام تقنيات متقدمة مثل التعلُّم النشط، حيث يضع النموذج وسومًا أولية للبيانات، ولا يصحح البشر إلا التنبؤات منخفضة الثقة، مما يسرّع العملية بدرجة كبيرة.

يوضح المثال التالي كيفية استخدام نموذج Ultralytics YOLO26 مدرَّب مسبقًا لإنشاء وسوم تلقائيًا (الوسم التلقائي) لصورة جديدة، والتي يمكن للبشر تصحيحها بعد ذلك:

from ultralytics import YOLO

# Load the YOLO26n model (nano version)
model = YOLO("yolo26n.pt")

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

# Save the detection results to a text file in standard YOLO format
# This file can now be used as a starting point for data labeling
results[0].save_txt("bus_labels.txt")