Generative Adversarial Network (GAN)

تعتبر الشبكات التوليدية التنافسية (GANs) إطاراً متطوراً في مجال الذكاء الاصطناعي (AI) مصمماً لتوليد أمثلة بيانات جديدة تشبه بيانات التدريب الخاصة بك. تم تقديمها في ورقة بحثية رائدة بواسطة إيان جودفيلو وزمنائه في عام 2014، وتعمل شبكات GANs وفق مبدأ فريد من المنافسة بين شبكتين عصبيتين متميزتين. وأصبحت هذه البنية حجر الأساس للذكاء الاصطناعي التوليدي الحديث، مما يتيح إنشاء صور واقعية للغاية، وتحسين الفيديو، وتركيب مجموعات بيانات تدريب متنوعة لمهام التعلم الآلي المعقدة.

بنية الخصومة#

تتضمن الآلية الأساسية لشبكة GAN نموذجين يتم تدريبهما في وقت واحد في لعبة محصلتها صفر، وغالبًا ما يتم وصفها باستخدام تشبيه المزيف والمحقق.

• المولد: تعمل هذه الشبكة بمثابة "المزيف". فهي تأخذ ضوضاء عشوائية (متجه كامن) كمدخل وتحاول إنتاج بيانات - مثل صورة - تبدو أصلية. هدفها الأساسي هو خداع المميز ليصدق أن الناتج المُولد حقيقي. هذه العملية أساسية لإنشاء بيانات اصطناعية عالية الجودة.
• المميز: يعمل بمثابة "المحقق"، حيث تقوم هذه الشبكة بتقييم المدخلات للتمييز بين العينات الفعلية من بيانات التدريب والعينات المزيفة التي ينتجها المولد. وهي تعمل كمصنف ثنائي قياسي، وتخرج احتمالية أن يكون المدخل حقيقياً.

أثناء عملية التدريب، يقلل المولد احتمالية قيام المميز بإنشاء تصنيف صحيح، بينما تعظم المميز نفس الاحتمالية. تستمر هذه الحلقة التنافسية حتى يصل النظام إلى توازن ناش، وهي حالة ينتج فيها المولد بيانات واقعية للغاية لدرجة أن المميز لم يعد قادراً على تمييزها عن أمثلة العالم الحقيقي.

تطبيقات واقعية في رؤية الكمبيوتر (Vision AI)#

لقد تجاوزت شبكات GANs النظرية الأكاديمية لحل المشكلات العملية عبر مختلف الصناعات، لا سيما في الرؤية الحاسوبية.

1. تعزيز البيانات لتدريب النماذج: في السيناريوهات التي تكون فيها البيانات شحيحة أو حساسة من حيث الخصوصية، مثل تحليل الصور الطبية، تُستخدم شبكات GANs لتوليد أمثلة اصطناعية واقعية. على سبيل المثال، يتيح إنشاء مسح بالرنين المغناطيسي الاصطناعي للباحثين تدريب نماذج تشخيصية قوية دون المساس بخصوصية المريض. هذه التقنية ضرورية أيضاً للمركبات ذاتية القيادة، حيث يمكن لشبكات GANs محاكاة الظروف الجوية النادرة أو سيناريوهات المرور لتحسين السلامة.

2. الدقة الفائقة وتحسين الصور: تتميز شبكات GANs بفعالية عالية في الدقة الفائقة، وهي عملية رفع دقة الصور منخفضة الدقة إلى دقة عالية مع ابتكار تفاصيل معقولة. يُستخدم هذا على نطاق واسع في استعادة الأرشيفات التاريخية، وتحسين صور الأقمار الصناعية للخرائط العالمية، وتحسين جودة دفق الفيديو.

3. نقل النمط: يتيح هذا التطبيق تطبيق النمط الجمالي لصورة واحدة على محتوى صورة أخرى. تتيح أدوات مثل CycleGAN تحويلات مثل تحويل صور النهار إلى مشاهد ليلية أو تحويل الرسومات التخطيطية إلى نماذج منتجات واقعية للغاية، مما تبسيط سير العمل في الذكاء الاصطناعي في تجارة الأزياء التجزئة.

الفرق بين GANs ونماذج الانتشار (Diffusion Models)#

على الرغم من كونهما تقنيتين توليديتين، فمن المهم التمييز بين شبكات GANs ونماذج الانتشار مثل تلك المستخدمة في Stable Diffusion.

• سرعة الاستدلال: عادةً ما تولد شبكات GANs البيانات في تمريرة أمامية واحدة، مما يجعلها أسرع بكثير في الاستدلال في الوقت الفعلي.
• استقرار التدريب: تعمل نماذج الانتشار عن طريق إزالة الضوضاء تكرارياً من الصورة، مما ينتج عنه عموماً تدريب أكثر استقراراً وتغطية نمط أعلى (التنوع). في المقابل، يمكن أن تعاني شبكات GANs من "انهيار النمط"، حيث ينتج المولد تنوعاً محدوداً من المخرجات، على الرغم من أن تقنيات مثل Wasserstein GANs (WGAN) تساعد في تخفيف ذلك.

دمج البيانات التي تم إنشاؤها بواسطة GAN مع YOLO#

حالة الاستخدام القوية لشبكات GANs هي توليد مجموعات بيانات اصطناعية لتدريب نماذج اكتشاف الكائنات مثل YOLO26. إذا كنت تفتقر إلى صور كافية في العالم الحقيقي لعيب أو كائن معين، يمكن لشبكة GAN توليد آلاف الاختلافات المسماة. يمكنك بعد ذلك إدارة مجموعات البيانات هذه وتدريب نموذجك باستخدام Ultralytics Platform.

يوضح المثال التالي كيفية تحميل نموذج YOLO26 للتدريب على مجموعة بيانات، والتي يمكن أن تشمل بسلاسة صوراً اصطناعية تم إنشاؤها بواسطة GAN لتعزيز الأداء:

from ultralytics import YOLO

# Load the YOLO26 model (Latest stable Ultralytics model)
model = YOLO("yolo26n.pt")

# Train the model on a dataset configuration file
# The dataset path defined in 'coco8.yaml' can contain both real and GAN-generated images
results = model.train(data="coco8.yaml", epochs=5, imgsz=640)

# Verify the model performance on validation data
metrics = model.val()

التحديات والاعتبارات#

على الرغم من إمكانياتها، يتطلب تدريب شبكات GANs ضبط المعلمات الفائقة بعناية. يمكن أن تحدث مشكلات مثل مشكلة التدرج المتلاشي إذا تعلم المميز بسرعة كبيرة، مما يوفر أي ملاحظات مفيدة للمولد. علاوة على ذلك، مع أصبح شبكات GANs أكثر قدرة على إنشاء التزييف العميق، تركز الصناعة بشكل متزايد على أخلاقيات الذكاء الاصطناعي وتطوير طرق لاكتشاف المحتوى الذي أنشأه الذكاء الاصطناعي.