اكتشف قوة استخراج الميزات في التعلم الآلي مع Ultralytics YOLO11. تعلم تقنيات للكشف والتحليل الفعال.
استخراج الميزات هو عملية محورية في عملية التعلم الآلي (ML) التي تتضمن تحويل البيانات الخام إلى تمثيل رقمي يمكن معالجته بواسطة الخوارزميات مع الحفاظ على المعلومات الأكثر صلة بمجموعة البيانات الأصلية. من خلال تنقيح المدخلات عالية الأبعاد - مثل قيم البكسل الخام في الصورة أو الأشكال الموجية الصوتية - إلى مجموعة من السمات التي يمكن التحكم فيها، يقلل استخلاص السمات من تعقيد البيانات. هذا التحويل هذا التحويل ضروري للتعامل مع لعنة البُعدية، وهي ظاهرة حيث يمكن أن يؤدي وجود يمكن أن يؤثر العدد المفرط من متغيرات الإدخال سلبًا على أداء النموذج ويزيد من التكاليف الحسابية. تعمل أساليب الاستخراج الفعالة على عزل الإشارة عن الضوضاء، مما يسمح أدوات النمذجة التنبؤية بتعلم الأنماط بشكل أكثر كفاءة.
الهدف الأساسي من استخلاص الميزة هو تحويل البيانات المعقدة إلى متجه ميزة، وهو تمثيل مضغوط يغلف الخصائص الأساسية للمدخلات. هذه العملية ضرورية لتحسين سير عمل تدريب النماذج. من خلال تقليل كمية البيانات الزائدة عن الحاجة الزائدة، يمكن للمطورين تحقيق أوقات تدريب أسرع واستخدام أقل للذاكرة. علاوة على ذلك، يساعد تبسيط بيانات الإدخال يساعد على منع الإفراط في التركيب، مما يضمن أن النموذج يعمم بشكل جيد على الأمثلة الجديدة غير المرئية بدلاً من حفظ الضوضاء في مجموعة التدريب.
في التعلُّم العميق الحديث (DL)، يتم استخراج الميزات غالبًا ما يكون آليًا. معماريات مثل الشبكات العصبية التلافيفية (CNNs) تستخدم طبقات من المرشحات لتتعلم تلقائيًا تحديد السمات من الصور. قد detect الطبقات الأولية الحواف أو القوام البسيط، بينما تقوم الطبقات الأعمق بدمجها في أشكال معقدة مثل العيون أو العجلات. هذا النهج الآلي الآلي هذا يتناقض مع تقنيات التقليدية للرؤية الحاسوبية (CV) ، مثل تقنية Scale-Invariant Feature Transform (SIFT)، حيث يقوم الخبراء بتصميم خوارزميات يدوياً لتحديد النقاط الرئيسية في الصورة.
استخلاص الميزات هو المحرك وراء العديد من تقنيات الذكاء الاصطناعي التحويلية في مختلف الصناعات.
أحدث النماذج مثل Ultralytics YOLO11 تستخدم مكونًا مكوّن يُعرف باسم العمود الفقري لأداء خاصية لاستخراج السمات. أثناء مرور الصورة عبر الشبكة، يقوم العمود الفقري بإنشاء خرائط ميزات تبرز وجود الأجسام.
يوضح المقتطف البرمجي التالي كيفية تحميل نموذج مُدرَّب مسبقًا وإجراء الاستدلال. خلال هذه العملية يستخرج النموذج داخليًا ميزات لتحديد موقع الكائنات classify .
from ultralytics import YOLO
# Load a pretrained YOLO11 model which contains a learned feature extraction backbone
model = YOLO("yolo11n.pt")
# Run inference on an image; the model extracts features to detect the bus
results = model("https://ultralytics.com/images/bus.jpg")
# Display the resulting bounding boxes derived from the extracted features
results[0].show()
من المهم التفريق بين استخراج الميزة والمصطلحات المشابهة الموجودة في علم البيانات و وسير عمل المعالجة المسبقة للبيانات.
أطر عمل مثل PyTorch و TensorFlow الأدوات اللازمة لتنفيذ كل من خطوط أنابيب لاستخراج الميزات يدويًا وآليًا، مما يتيح تطوير الذكاء الاصطناعي وأدوات التحليل.
