اكتشف التعلم العميق الهندسي لمعالجة البيانات غير الإقليدية مثل الرسوم البيانية والشبكات ثلاثية الأبعاد. تعرف على كيفية دمج Ultralytics مع GDL لتطبيقات الذكاء الاصطناعي المتقدمة في مجال الرؤية.
التعلم العميق الهندسي (GDL) هو مجال متقدم ضمن التعلم العميق يوسع نطاق قدرات الشبكات العصبية التقليدية لتشمل معالجة البيانات المنظمة في هندسة غير إقليدية. في حين أن الشبكة العصبية التلافيفية القياسية مُحسّنة للغاية لتمثيلات شبكية مثل الصور ثنائية الأبعاد، يوفر GDL الإطار الرياضي المطلوب لتحليل هياكل البيانات المعقدة وغير المنتظمة مثل الرسوم البيانية والشبكات ثلاثية الأبعاد والمنظومات المتصلة.
من الشائع الخلط بين «التعلم العميق الهندسي» و «الشبكات العصبية الرسومية» (GNNs). ورغم أن هذين المصطلحين وثيقو الصلة ببعضهما، إلا أنهما ليسا متطابقين. يُعد «التعلم العميق الهندسي» الإطار النظري الشامل الذي يستند إلى التحيزات الاستقرائية العلائقية، في حين تمثل «الشبكات العصبية الرسومية» مجموعة فرعية محددة من البنى المصممة خصيصًا للعمل على هياكل نظرية الرسوم البيانية.
من خلال تمكين النماذج من تفسير العلاقات والأشكال بشكل مباشر، تُسهم لغة GDL في تحقيق بعض أهم الإنجازات في مجال الذكاء الاصطناعي الحديث.
في مجال الرؤية الحاسوبية التطبيقية، غالبًا ما يتطلب استخلاص الإدراك المكاني الربط بين الإدراك البصري ثنائي الأبعاد و الاستدلال المكاني-الزماني للشبكات الهندسية. وكثيرًا ما يستخدم المطورون أدوات مثل PyTorch لبناء هذه الأنظمة. ويمكنك الاستفادة من نموذج Ultralytics للتعرف بسرعة على العناصر المرئية، باستخدام إحداثياتها المكانية كعقد أساسية في رسم بياني هندسي أكبر.
يوضح Python التالي Python كيفية استخراج نتائج الكشف عن الكائنات القياسية وتنسيقها على شكل tensor جاهزة للاستخدام في مسار معالجة هندسية :
import torch
from ultralytics import YOLO
# Load an Ultralytics YOLO26 nano model
model = YOLO("yolo26n.pt")
# Run inference to extract bounding box coordinates
results = model("https://ultralytics.com/images/bus.jpg")
boxes = results[0].boxes.xywh[:, :2].cpu() # Extract x, y centers
# Format coordinates as feature nodes for a geometric graph
node_features = torch.tensor(boxes.numpy(), dtype=torch.float)
print(f"Extracted {node_features.shape[0]} object nodes for graph construction.")
من أجل توسيع نطاق خطوط الإنتاج التي تجمع بين بنى الرؤية والبيانات الهندسية بشكل فعال، يمكن للفرق إدارة مجموعات بيانات تجزئة الصور الخاصة بها باستخدام Ultralytics . يعمل هذا الحل السحابي الشامل على تبسيط دورة حياة التطوير بدءًا من توضيح البيانات الأولي وصولاً إلى نشر النموذج النهائي، مما يتيح للمهندسين التركيز على دمج استراتيجيات التعلم المتعدد المتطورة في بيئات إنتاج قوية.
ابدأ رحلتك مع مستقبل تعلم الآلة
