Feature Extraction

استخراج السمات هو عملية تحويلية في التعلم الآلي (ML) تحوّل البيانات الخام وعالية الأبعاد إلى مجموعة منقحة من الخصائص أو «السمات» المفيدة. غالبًا ما تكون بيانات الإدخال الخام، مثل الصور عالية الدقة أو تدفقات الصوت أو النصوص غير المهيكلة، ضخمة ومتكررة بدرجة تحول دون معالجتها بفعالية بواسطة الخوارزميات. يعالج استخراج السمات هذه المشكلة باختزال الإدخال إلى مكوناته الأساسية، مع الحفاظ على المعلومات المهمة اللازمة لـالنمذجة التنبؤية والتخلص من الضوضاء والتفاصيل الخلفية غير ذات الصلة. ويُعد هذا الاختزال ضروريًا للتخفيف من لعنة الأبعاد، وضمان بقاء النماذج فعّالة حسابيًا وقادرة على التعميم جيدًا على البيانات الجديدة غير المرئية.

دور استخراج السمات في التعلم العميق#

في عصر الرؤية الحاسوبية التقليدية، اعتمد الخبراء على تقنيات يدوية مثل تحويل السمات غير المتأثر بالمقياس (SIFT) لتحديد النقاط الرئيسية في الصور. إلا أن التعلم العميق (DL) الحديث أحدث ثورة في سير العمل هذا من خلال أتمتة اكتشاف السمات.

تستخدم الشبكات العصبية، وبالأخص الشبكات العصبية الالتفافية (CNNs)، مكوّنًا معماريًا متخصصًا يُعرف باسم العمود الفقري لإجراء استخراج هرمي للسمات. ومع انتقال البيانات عبر طبقات الشبكة، يزداد تعقيد السمات المستخرجة:

• الطبقات السطحية: تعمل هذه الطبقات الأولية ككاشفات للحواف، إذ تحدد البنى البسيطة منخفضة المستوى مثل الخطوط والزوايا وتدرجات الألوان.
• الطبقات العميقة: كلما ازداد عمق الشبكة، تُجمّع هذه العناصر البسيطة في تمثيلات دلالية عالية المستوى، مثل شكل مركبة أو وجه إنسان أو علامات مميزة لحيوان معين.

تُخزَّن هذه التمثيلات المتعلَّمة في خرائط السمات، ثم تُمرَّر إلى رأس كشف لتنفيذ مهام مثل كشف الأجسام أو تصنيف الصور.

التطبيقات الواقعية#

يُعد استخراج السمات المحرك الكامن وراء العديد من قدرات الذكاء الاصطناعي المتقدمة، إذ يحوّل المدخلات الحسية الخام إلى رؤى قابلة للتنفيذ في مختلف القطاعات.

• التشخيص الطبي: في مجال الذكاء الاصطناعي في الرعاية الصحية، تحلل النماذج الصور الطبية المعقدة مثل صور الرنين المغناطيسي أو الأشعة المقطعية. وتحدد خوارزميات استخراج السمات المتقدمة الشذوذات الدقيقة في كثافة الأنسجة أو نسيجها، والتي قد تشير إلى أمراض في مراحلها المبكرة. ومن خلال عزل هذه المؤشرات البصرية المهمة، يمكن للأنظمة مساعدة أطباء الأشعة في كشف الأورام بدقة وسرعة أعلى بكثير.
• القيادة الذاتية: تعتمد السيارات ذاتية القيادة على استخراج السمات في الوقت الفعلي للتنقل بأمان. تبث الكاميرات الموجودة على متنها الفيديو إلى نماذج الرؤية الحاسوبية (CV)، التي تستخرج فورًا السمات المرتبطة بعلامات المسارات وإشارات المرور وحركات المشاة. وتمكّن هذه القدرة المركبات ذاتية القيادة من اتخاذ قرارات في أجزاء من الثانية داخل بيئات ديناميكية.
• معالجة الصوت: في المساعدات الصوتية، تُحوَّل الموجات الصوتية الخام إلى مخططات طيفية. ثم تستخرج الخوارزميات السمات الصوتية والنبرة وطبقة الصوت، مما يتيح لأنظمة تحويل الكلام إلى نص فهم اللغة المنطوقة بغض النظر عن لهجة المتحدث أو ضوضاء الخلفية.

استخراج السمات باستخدام Ultralytics YOLO#

تدمج البنى المعمارية المتطورة مثل Ultralytics YOLO26 أعمدة فقارية قوية لاستخراج السمات مباشرةً في تصميمها. وعند تشغيل الاستدلال، يعالج النموذج الصورة تلقائيًا لاستخراج السمات ذات الصلة قبل التنبؤ بمربعات الإحاطة وتسميات الفئات.

يوضح المثال التالي كيفية استخدام نموذج مدرَّب مسبقًا لمعالجة صورة. وعلى الرغم من بساطة الشيفرة، يُجري النموذج داخليًا عملية معقدة لاستخراج السمات لتحديد مواقع الأجسام:

from ultralytics import YOLO

# Load a pretrained YOLO26 model, which includes a learned feature extraction backbone
model = YOLO("yolo26n.pt")

# Perform inference on an image
# The model internally extracts features to locate and classify objects
results = model("https://ultralytics.com/images/bus.jpg")

# Display the resulting bounding boxes
results[0].show()

بالنسبة إلى الفرق التي تتطلع إلى إدارة مجموعات البيانات المستخدمة لتدريب مستخرجات السمات هذه، توفر منصة Ultralytics حلًا شاملًا للوسم والتدريب والنشر.

تمييز المصطلحات ذات الصلة#

لفهم مسار علم البيانات فهمًا كاملًا، من المفيد التمييز بين استخراج السمات والمفاهيم المشابهة.

• استخراج السمات مقابل هندسة السمات: رغم مناقشتهما غالبًا معًا، فإن هندسة السمات مصطلح أوسع يشير عادةً إلى عملية يدوية تُستخدم فيها المعرفة بالمجال لإنشاء متغيرات جديدة، مثل حساب «السعر لكل قدم مربعة» من «السعر» و«المساحة». أما استخراج السمات فهو تقنية محددة، غالبًا ما تكون مؤتمتة في التعلم العميق، تُسقط البيانات عالية الأبعاد، مثل وحدات البكسل، إلى متجه سمات منخفض الأبعاد.
• استخراج السمات مقابل اختيار السمات: يتضمن اختيار السمات تحديد مجموعة فرعية من السمات الموجودة دون تغييرها، وذلك بإزالة السمات الأقل أهمية فحسب لتقليل الضوضاء. وعلى العكس، ينشئ استخراج السمات سمات جديدة من خلال تحويل نقاط البيانات الأصلية ودمجها، مثلما يحدث عبر تحليل المكونات الرئيسية (PCA) أو أوزان الشبكة المتعلَّمة.

من خلال إتقان استخراج السمات، يستطيع المطورون الاستفادة من أطر عمل مثل PyTorch وTensorFlow لبناء نماذج لا تتميز بالدقة فحسب، بل بالكفاءة الكافية أيضًا للنشر على الأجهزة الطرفية.