Feature Extraction

استخراج الميزات هو عملية تحويلية في تعلم الآلة (ML) تقوم بتحويل البيانات الخام وعالية الأبعاد إلى مجموعة محسنة من السمات أو "الميزات" المعلوماتية. غالبًا ما تكون بيانات الإدخال الخام، مثل الصور عالية الدقة أو تدفقات الصوت أو النصوص غير المهيكلة، ضخمة جدًا ومتكررة بحيث لا يمكن للخوارزميات معالجتها بفعالية. يعالج استخراج الميزات ذلك عن طريق تقطير المدخلات إلى مكوناتها الأكثر جوهرية، مع الحفاظ على المعلومات المهمة المطلوبة لـ النمذجة التنبؤية مع التخلص من الضوضاء وتفاصيل الخلفية غير ذات الصلة. يعد هذا الاختزال حيويًا لتخفيف لعنة الأبعاد، مما يضمن بقاء النماذج فعالة حاسوبيًا وقادرة على التعميم بشكل جيد على بيانات جديدة وغير مرئية.

Link to this sectionدور استخراج الميزات في التعلم العميق#

في عصر الرؤية الحاسوبية التقليدية، اعتمد الخبراء على تقنيات يدوية مثل تحويل الميزات المتغير المقياس (SIFT) لتحديد النقاط الرئيسية في الصور. ومع ذلك، أحدث التعلم العميق (DL) ثورة في سير العمل هذا من خلال أتمتة اكتشاف الميزات.

تستخدم الشبكات العصبية، وتحديدًا الشبكات العصبية التلافيفية (CNNs)، مكونًا معماريًا متخصصًا يُعرف باسم backbone لإجراء استخراج الميزات بشكل هرمي. 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 خرائط الميزات، والتي يتم تمريرها لاحقًا إلى رأس الكشف لتنفيذ مهام مثل كشف الأشياء أو تصنيف الصور.

Link to this sectionتطبيقات 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 الذكاء الاصطناعي في الرعاية الصحية، تقوم النماذج بتحليل الصور الطبية المعقدة مثل تصوير الرنين المغناطيسي (MRI) أو الأشعة المقطعية (CT). تحدد خوارزميات استخراج الميزات المتطورة الشذوذات الدقيقة في كثافة الأنسجة أو نسيجها والتي قد تشير إلى أمراض في مراحل مبكرة. ومن خلال عزل هذه العلامات المرئية المهمة، يمكن للأنظمة مساعدة أطباء الأشعة في كشف الأورام بدقة وسرعة أعلى بكثير.
• القيادة الذاتية: تعتمد السيارات ذاتية القيادة على استخراج الميزات في الوقت الفعلي للتنقل بأمان. تقوم الكاميرات الموجودة على متن السيارة ببث الفيديو إلى نماذج الرؤية الحاسوبية (CV) التي تستخرج فورًا الميزات ذات الصلة بعلامات المسار وإشارات المرور وحركات المشاة. تتيح هذه القدرة للمركبات ذاتية القيادة اتخاذ قرارات في أجزاء من الثانية في بيئات ديناميكية.
• معالجة الصوت: في المساعدات الصوتية، يتم تحويل الموجات الصوتية الخام إلى مخططات طيفية. ثم تقوم الخوارزميات باستخراج الميزات الصوتية ودرجة الصوت والنبرة، مما يسمح لأنظمة تحويل الكلام إلى نص بفهم اللغة المنطوقة بغض النظر عن لهجة المتحدث أو ضوضاء الخلفية.

Link to this sectionاستخراج الميزات باستخدام Ultralytics YOLO#

تدمج المعماريات الحديثة مثل Ultralytics YOLO26 هياكل قوية لاستخراج الميزات (backbones) مباشرة في تصميمها. عند تشغيل الاستدلال، يقوم النموذج تلقائيًا بمعالجة الصورة لاستخراج الميزات ذات الصلة قبل التنبؤ بمربعات الإحاطة وتصنيفات 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، توفر منصة Ultralytics حلاً شاملاً للتعليق والتدريب والنشر.

Link to this sectionالتمييز بين المصطلحات ذات الصلة#

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

• استخراج الميزات مقابل هندسة الميزات: بينما غالبًا ما تتم مناقشتهما معًا، فإن هندسة الميزات مصطلح أوسع يشير عادةً إلى عملية يدوية حيث يتم استخدام المعرفة بالمجال لإنشاء متغيرات جديدة (على سبيل المثال، حساب "السعر لكل قدم مربع" من "السعر" و"المساحة"). استخراج الميزات هو تقنية محددة—غالبًا ما تكون مؤتمتة في التعلم العميق—تُسقط البيانات عالية الأبعاد (مثل البكسلات) إلى متجه ميزات منخفض الأبعاد.
• استخراج الميزات مقابل اختيار الميزات: يتضمن اختيار الميزات اختيار مجموعة فرعية من الميزات الموجودة دون تغييرها، ببساطة عن طريق إزالة الميزات الأقل أهمية لتقليل الضوضاء. وعلى العكس من ذلك، يقوم استخراج الميزات بإنشاء ميزات جديدة عن طريق تحويل ودمج نقاط البيانات الأصلية، مثل استخدام تحليل المكونات الرئيسية (PCA) أو أوزان الشبكة المتعلمة.

من خلال إتقان استخراج الميزات، يمكن للمطورين الاستفادة من أطر عمل مثل PyTorch و TensorFlow لبناء نماذج ليست دقيقة فحسب، بل فعالة بما يكفي للنشر على الحافة.