Feature Extraction

استخراج الميزات هو عملية تحويلية في machine learning (ML) تحول البيانات الخام ذات الأبعاد العالية إلى مجموعة مصغرة من السمات أو "الميزات" المفيدة. غالبًا ما تكون بيانات الإدخال الخام، مثل الصور عالية الدقة أو التدفقات الصوتية أو النصوص غير المهيكلة، ضخمة ومتكررة للغاية بحيث تعجز الخوارزميات عن معالجتها بفعالية. يعالج استخراج الميزات هذه المشكلة عن طريق تقطير المدخلات لتقتصر على مكوناتها الأساسية وحدها، مما يحافظ على المعلومات الهامة المطلوبة لـ predictive modeling مع التخلص من التشويش والتفاصيل الخلفية غير ذات الصلة. يُعد هذا التقليل أمرًا بالغ الأهمية للتخفيف من حدة curse of dimensionality، مما يضمن بقاء النماذج فعالة من الناحية الحسابية وقادرة على التعميم بشكل جيد على البيانات الجديدة غير المكتشفة سابقًا.

دور استخراج الميزات في التعلم العميق#

في عصر الرؤية الحاسوبية التقليدية، اعتمد الخبراء على تقنيات يدوية مثل Scale-Invariant Feature Transform (SIFT) لتحديد النقاط الأساسية في الصور. ومع ذلك، فقد أحدث deep learning (DL) الحديث ثورة في هذا الأسلوب من خلال أتمتة عملية اكتشاف الميزات.

تستعين الشبكات العصبية، وبالتحديد Convolutional Neural Networks (CNNs)، بمكون معماري متخصّص يُعرف باسم backbone لتنفيذ عملية استخراج الميزات بصورة هرمية. ومع انتقال البيانات عبر طبقات الشبكة، تزداد تعقيدات الميزات المستخرجة:

• الطبقات الضحلة: تعمل هذه الطبقات الأولية ككاشفات للحواف، حيث تحدد الهياكل البسيطة ومنخفضة المستوى مثل الخطوط والزوايا وتدرجات الألوان.
• الطبقات العميقة: مع تعمق الشبكة، يتم تجميع هذه العناصر البسيطة في تمثيلات دلالية عالية المستوى، مثل شكل مركبة أو وجه بشري أو علامات معينة لحيوان.

يتم تخزين هذه التمثيلات المتعلمة في feature maps، والتي تُمرر بعد ذلك إلى رأس الكشف لتنفيذ مهام مثل object detection أو تصنيف الصور.

تطبيقات العالم الحقيقي#

يعمل استخراج الميزات كمحرك وراء العديد من قدرات الذكاء الاصطناعي المتقدمة، حيث يترجم المدخلات الحسية الخام إلى رؤى قابلة للتنفيذ عبر صناعات متنوعة.

• التشخيص الطبي: في مجال AI in healthcare، تحلل النماذج الصور الطبية المعقدة مثل التصوير بالرنين المغناطيسي أو الأشعة المقطعية. تحدد خوارزميات استخراج الميزات المتطورة الشذوذ الدقيق في كثافة الأنسجة أو نسيجها والذي قد يشير إلى أمراض في مراحلها المبكرة. ومن خلال عزل هذه العلامات المرئية الحاسمة، يمكن أن تساعد الأنظمة أطباء الأشعة في tumor detection بدقة وسرعة أعلى بكثير.
• القيادة الذاتية: تعتمد السيارات ذاتية القيادة على استخراج الميزات في الوقت الفعلي للملاحة بأمان. تبث الكاميرات الموجودة على متن السيارة الفيديو إلى نماذج computer vision (CV) التي تستخرج على الفور الميزات ذات الصلة بعلامات المخططات المرورية، وإشارات المرور، وحركات المشاة. تتيح هذه القدرة لـ autonomous vehicles اتخاذ قرارات في جزء من الثانية ضمن بيئات ديناميكية.
• معالجة الصوت: في مساعدي الصوت، تُحوّل أشكال الموجات الصوتية الخام إلى مخططات زمنية ترددية (spectrograms). بعد ذلك، تستخرج الخوارزميات الميزات الصوتية والنبرة ودرجة الصوت، مما يسمح لأنظمة speech-to-text بفهم اللغة المنطوقة بغض النظر عن لهجة المتكلم أو الضوضاء المحيطة.

استخراج الميزات باستخدام Ultralytics YOLO#

تدمج المعماريات الحديثة مثل Ultralytics YOLO26 هياكل قوية لاستخراج الميزات مباشرة في تصميمها. وعند تشغيل الاستدلال، يقوم النموذج تلقائيًا بمعالجة الصورة لاستخراج الميزات ذات الصلة قبل التنبؤ بمربعات الإحاطة وتسميات الفئات.

يوضح المثال التالي كيفية استخدام نموذج مدرب مسبقًا لمعالجة صورة. وعلى الرغم من بساطة الكود، إلا أن النموذج يقوم داخليًا بإجراء استخراج ميزات معقد لتحديد مواقع الأشياء:

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 للفرق التي تتطلع إلى إدارة مجموعات البيانات المستخدمة لتدريب مستخرجات الميزات هذه، تقدم Ultralytics Platform حلاً شاملاً للتعليق والتدريب والنشر.

التمييز بين المصطلحات ذات الصلة#

للفهم الكامل لخط أنابيب علم البيانات، من المفيد التمييز بين استخراج الميزات والمفاهيم المشابهة.

• استخراج الميزات مقابل Feature Engineering: على الرغم من مناقشتهما غالبًا معًا، إلا أن هندسة الميزات هو مصطلح أوسع يعني عادةً عملية يدوية يتم فيها استخدام domain knowledge لإنشاء متغيّرات جديدة (مثل حساب "السعر لكل قدم مربع" من "السعر" و "المساحة"). أما استخراج الميزات فهو تقنية محددة - وغالبًا ما تكون مؤتمتة في التعلم العميق - تسقط البيانات ذات الأبعاد العالية (مثل وحدات البكسل) في feature vector ذي أبعاد أقل.
• استخراج الميزات مقابل Feature Selection: يتضمن اختيار الميزات اختيار مجموعة فرعية من الميزات الموجودة دون تغييرها، ببساطة عن طريق إزالة الميزات الأقل أهمية لتقليل التشويش. في المقابل، ينشئ استخراج الميزات ميزات جديدة عن طريق تحويل ودمج نقاط البيانات الأصلية، مثل استخدام Principal Component Analysis (PCA) أو أوزان الشبكة المتعلمة.

من خلال إتقان استخراج الميزات، يمكن للمطورين الاستفادة من أطر العمل مثل PyTorch و TensorFlow لبناء نماذج ليست دقيقة فحسب، بل فعالة بما يكفي للنشر على الأجهزة الطرفية (edge).