Generative Adversarial Network (GAN)

تُعد شبكات الخصومة التوليدية (GANs) إطارًا متقدمًا ضمن مجال الذكاء الاصطناعي (AI)، وقد صُممت لتوليد مثيلات بيانات جديدة تشبه بيانات التدريب الخاصة بك. وقد قُدّمت في ورقة بحثية رائدة نشرها إيان غودفيلو وزملاؤه في عام 2014، وتعمل شبكات GAN وفق مبدأ فريد يتمثل في التنافس بين شبكتين عصبيتين متميزتين. وقد أصبحت هذه البنية حجر أساس في الذكاء الاصطناعي التوليدي الحديث، إذ تتيح إنشاء صور واقعية، وتحسين الفيديو، وتوليد مجموعات بيانات تدريب متنوعة لمهام التعلم الآلي المعقدة.

البنية الخصومية#

تتضمن الآلية الأساسية لشبكة GAN نموذجين يُدرَّبان في الوقت نفسه ضمن لعبة محصلتها صفر، وغالبًا ما تُوصف باستخدام تشبيه المزوّر والمحقق.

• المولِّد: تعمل هذه الشبكة بوصفها «المزوّر». فهي تتلقى ضوضاء عشوائية (متجهًا كامنًا) كمدخل، وتحاول إنتاج بيانات—مثل صورة—تبدو أصلية. ويتمثل هدفها الأساسي في خداع المميِّز ليعتقد أن الناتج المُولَّد حقيقي. وتُعد هذه العملية أساسية لإنشاء بيانات اصطناعية عالية الجودة.
• المميِّز: تعمل هذه الشبكة بوصفها «المحقق»، إذ تقيّم المدخلات للتمييز بين العينات الفعلية من بيانات التدريب والعينات الزائفة التي ينتجها المولِّد. وتعمل بوصفها مصنّفًا ثنائيًا قياسيًا، فتُخرج احتمال أن يكون الإدخال حقيقيًا.

أثناء عملية التدريب، يقلل المولِّد احتمال أن يُجري المميِّز تصنيفًا صحيحًا، بينما يزيد المميِّز ذلك الاحتمال نفسه. وتستمر هذه الحلقة الخصومية حتى يصل النظام إلى توازن ناش، وهي حالة يُنتج فيها المولِّد بيانات واقعية إلى حد يعجز معه المميِّز عن تمييزها من الأمثلة الواقعية.

التطبيقات الواقعية في الذكاء الاصطناعي للرؤية#

تجاوزت شبكات GAN نطاق النظرية الأكاديمية لتُسهم في حل مشكلات عملية في مختلف القطاعات، ولا سيما في الرؤية الحاسوبية.

1. زيادة البيانات لتدريب النماذج: في الحالات التي تكون فيها البيانات نادرة أو حساسة من ناحية الخصوصية، مثل تحليل الصور الطبية، تُستخدم شبكات GAN لتوليد أمثلة اصطناعية واقعية. فعلى سبيل المثال، يتيح إنشاء صور اصطناعية للتصوير بالرنين المغناطيسي للباحثين تدريب نماذج تشخيصية قوية دون المساس بخصوصية المرضى. وتُعد هذه التقنية مهمة أيضًا في المركبات ذاتية القيادة، حيث تستطيع شبكات GAN محاكاة ظروف الطقس النادرة أو سيناريوهات حركة المرور لتحسين السلامة.

2. الدقة الفائقة وتحسين الصور: تتميز شبكات GAN بفاعلية كبيرة في الدقة الفائقة، وهي عملية ترقية الصور منخفضة الدقة إلى دقة عالية مع ابتكار تفاصيل محتملة. ويُستخدم ذلك على نطاق واسع في استعادة الأرشيفات التاريخية، وتحسين صور الأقمار الصناعية لأغراض رسم الخرائط العالمية، وتحسين جودة بث الفيديو.

3. نقل النمط: يتيح هذا التطبيق تطبيق النمط الجمالي لصورة على محتوى صورة أخرى. وتمكّن أدوات مثل CycleGAN من إجراء تحويلات مثل تحويل الصور النهارية إلى مشاهد ليلية أو تحويل الرسومات التخطيطية إلى نماذج أولية لمنتجات واقعية، مما يبسّط سير العمل في مجال الذكاء الاصطناعي في تجارة الأزياء بالتجزئة.

الفرق بين شبكات GAN ونماذج الانتشار#

على الرغم من أن كليهما من تقنيات التوليد، فمن المهم التمييز بين شبكات GAN ونماذج الانتشار، مثل تلك المستخدمة في Stable Diffusion.

• سرعة الاستدلال: تُولّد شبكات GAN البيانات عادةً عبر تمريرة أمامية واحدة، مما يجعلها أسرع بكثير في الاستدلال في الوقت الفعلي.
• استقرار التدريب: تعمل نماذج الانتشار عبر إزالة الضوضاء من الصورة تكراريًا، مما يؤدي عمومًا إلى تدريب أكثر استقرارًا وتغطية أعلى للأنماط (تنوع أكبر). في المقابل، قد تعاني شبكات GAN من «انهيار الأنماط»، حيث ينتج المولِّد مجموعة محدودة من المخرجات، رغم أن تقنيات مثل شبكات GAN من نوع فاسرشتاين (WGAN) تساعد في الحد من ذلك.

دمج البيانات المُولَّدة بواسطة GAN مع YOLO#

تتمثل إحدى حالات الاستخدام القوية لشبكات GAN في إنشاء مجموعات بيانات اصطناعية لتدريب نماذج كشف الأجسام مثل YOLO26. وإذا لم تتوفر لديك صور واقعية كافية لعيب أو جسم محدد، فيمكن لشبكة GAN توليد آلاف التنويعات المُعنونة. وبعد ذلك، يمكنك إدارة مجموعات البيانات هذه وتدريب نموذجك باستخدام منصة Ultralytics.

يوضح المثال التالي كيفية تحميل نموذج Ultralytics YOLO26 لتدريبه على مجموعة بيانات، والتي يمكن أن تتضمن بسلاسة صورًا اصطناعية مُولَّدة 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 إمكاناتها، يتطلب تدريب شبكات GAN إجراء ضبط دقيق للمعلمات الفائقة. وقد تحدث مشكلات مثل مشكلة تلاشي التدرج إذا تعلم المميِّز بسرعة كبيرة، مما يحرم المولِّد من أي ملاحظات مفيدة. علاوةً على ذلك، مع ازدياد قدرة شبكات GAN على إنشاء التزييف العميق، تركز الصناعة بصورة متزايدة على أخلاقيات الذكاء الاصطناعي وتطوير أساليب لاكتشاف المحتوى المُولَّد بواسطة الذكاء الاصطناعي.