Generative Adversarial Network (GAN)

شبكات الخصومة التوليدية (GANs) هي إطار عمل متطور في مجال الذكاء الاصطناعي (AI) مصمم لإنشاء مثيلات بيانات جديدة تشبه بيانات التدريب الخاصة بك. تم تقديمها في ورقة بحثية رائدة من قبل إيان جودفيلو وزملائه في عام 2014، وتعمل GANs وفق مبدأ فريد من نوعه يتمثل في المنافسة بين شبكتين عصبيتين متميزتين. أصبحت هذه البنية حجر الزاوية في الذكاء الاصطناعي التوليدي الحديث، مما يتيح إنشاء صور واقعية للغاية، وتحسين جودة الفيديو، وتوليد مجموعات بيانات تدريب متنوعة لمهام تعلم الآلة المعقدة.

Link to this sectionبنية 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 (Generator): تعمل هذه الشبكة كـ "مزيف". حيث تأخذ ضجيجاً عشوائياً (متجهاً كامناً) كمدخلات وتحاول إنتاج بيانات - مثل صورة - تبدو أصلية. هدفها الأساسي هو خداع المميز ليعتقد أن المخرجات المولدة حقيقية. هذه العملية جوهرية لإنشاء بيانات اصطناعية عالية الجودة.
• المميز (Discriminator): تعمل هذه الشبكة كـ "محقق"، حيث تقوم بتقييم المدخلات للتمييز بين العينات الفعلية من بيانات التدريب والعينات المزيفة التي أنتجها المولد. وتعمل كمصنف ثنائي قياسي، حيث تُخرج احتمال أن المدخلات حقيقية.

خلال عملية التدريب، يقلل المولد من احتمالية قيام المميز بتصنيف صحيح، بينما يعظم المميز نفس الاحتمالية. تستمر حلقة الخصومة هذه حتى يصل النظام إلى توازن ناش، وهي حالة ينتج فيها المولد بيانات واقعية لدرجة أن المميز لم يعد قادراً على تمييزها عن الأمثلة الواقعية.

Link to this sectionتطبيقات واقعية في رؤية الكمبيوتر (Vision AI)#

تجاوزت شبكات GAN النظرية الأكاديمية لحل مشاكل عملية عبر مختلف الصناعات، لا سيما في رؤية الكمبيوتر.

1. زيادة البيانات لتدريب النماذج: في السيناريوهات التي تكون فيها البيانات نادرة أو حساسة للخصوصية، مثل تحليل الصور الطبية، تُستخدم GANs لتوليد أمثلة اصطناعية واقعية. على سبيل المثال، يتيح إنشاء مسوحات MRI اصطناعية للباحثين تدريب نماذج تشخيصية قوية دون المساس بخصوصية المريض. وتعد هذه التقنية حيوية أيضاً لـ المركبات ذاتية القيادة، حيث يمكن لشبكات GAN محاكاة ظروف جوية نادرة أو سيناريوهات مرورية لتحسين السلامة.

2. الدقة الفائقة وتحسين الصور: تعد شبكات GAN فعالة للغاية في الدقة الفائقة، وهي عملية رفع دقة الصور منخفضة الدقة إلى دقة عالية مع ابتكار تفاصيل معقولة. يستخدم هذا على نطاق واسع في ترميم الأرشيفات التاريخية، وتحسين صور الأقمار الصناعية لـ الرسم الخرائطي العالمي، وتحسين جودة بث الفيديو.

3. نقل النمط (Style Transfer): يسمح هذا التطبيق بتطبيق النمط الجمالي لصورة واحدة على محتوى صورة أخرى. تُمكّن أدوات مثل CycleGAN من إجراء تحويلات مثل تحويل صور النهار إلى مشاهد ليلية أو تحويل الرسومات التخطيطية إلى نماذج أولية واقعية للمنتجات، مما يبسط سير العمل في الذكاء الاصطناعي في تجارة الأزياء بالتجزئة.

Link to this sectionالفرق بين GANs ونماذج الانتشار (Diffusion Models)#

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

• سرعة الاستدلال: عادةً ما تولد شبكات GAN البيانات في تمريرة أمامية واحدة، مما يجعلها أسرع بشكل ملحوظ في الاستدلال في الوقت الفعلي.
• استقرار التدريب: تعمل نماذج الانتشار عن طريق إزالة الضجيج من الصورة بشكل تكراري، مما يؤدي بشكل عام إلى تدريب أكثر استقراراً وتغطية أكبر للنمط (التنوع). في المقابل، يمكن أن تعاني GANs من "انهيار النمط"، حيث ينتج المولد تنوعاً محدوداً من المخرجات، على الرغم من أن تقنيات مثل Wasserstein GANs (WGAN) تساعد في تخفيف ذلك.

Link to this sectionدمج البيانات التي تم إنشاؤها بواسطة GAN مع YOLO#

أحد حالات الاستخدام القوية لشبكات GAN هو توليد مجموعات بيانات اصطناعية لتدريب نماذج اكتشاف الأشياء مثل YOLO26. إذا كنت تفتقر إلى ما يكفي من الصور الواقعية لعيب أو كائن معين، فيمكن لـ GAN توليد آلاف الاختلافات المصنفة. 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()

Link to this sectionالتحديات والاعتبارات#

على الرغم من قدراتها، يتطلب تدريب شبكات GAN ضبطاً دقيقاً للمعاملات الفائقة. يمكن أن تحدث مشكلات مثل تلاشي التدرج إذا تعلم المميز بسرعة كبيرة، مما يوفر ملاحظات غير ذات قيمة للمولد. علاوة على ذلك، مع زيادة قدرة شبكات GAN على إنشاء التزييف العميق، تركز الصناعة بشكل متزايد على أخلاقيات الذكاء الاصطناعي وتطوير طرق للكشف عن المحتوى الذي تم إنشاؤه بواسطة الذكاء الاصطناعي.