Image Classification

تصنيف الصور مهمة في الرؤية الحاسوبية، ينظر فيها النموذج إلى الصورة كاملةً ويُسنِد إليها تسمية واحدة من مجموعة فئات ثابتة، إلى جانب درجة ثقة لكل فئة. ويجيب عن سؤال «ما الذي تصوّره هذه الصورة؟»: قطة أم كلب، معيب أم سليم، التهاب رئوي أم طبيعي. وهي أبسط مهام الرؤية الأساسية، كما أنها أساس المهام الأخرى، لأن الشبكات الأساسية التي دُرّبت أولًا على تصنيف الصور ضمن مجموعات بيانات كبيرة يُعاد استخدامها كمستخرجات للسمات في الكشف والتجزئة عبر التعلّم بالنقل.

آلية عمل تصنيف الصور#

يحوّل المصنّف وحدات البكسل إلى احتمالات الفئات عبر ثلاث مراحل. تستخرج الشبكة الأساسية، سواء أكانت شبكة عصبية التفافية (CNN) أم محوّلًا بصريًا (ViT)، السمات طبقةً تلو الأخرى، بدءًا من الحواف والأنسجة في الطبقات المبكرة وصولًا إلى أجزاء الكائنات والكائنات الكاملة في الطبقات الأعمق. وتختزل خطوة التجميع خرائط السمات النهائية إلى متجه واحد يلخّص الصورة كاملةً. ثم تنتج طبقة متصلة بالكامل درجة واحدة، أو قيمة لوغيت، لكل فئة، وتحول دالة softmax تلك الدرجات إلى احتمالات مجموعها 1.

تتعلم النماذج هذه المطابقة عبر التعلّم الخاضع للإشراف على صور موسومة، مع تقليل خسارة الانتروبيا المتقاطعة بين الاحتمالات المتوقعة والفئة الحقيقية. يختار التصنيف ذو التسمية الواحدة (متعدد الفئات) فئة واحدة بالضبط لكل صورة باستخدام softmax. أما التصنيف متعدد التسميات، المستخدم عندما تعرض الصورة أشياء متعددة في الوقت نفسه، فيقيّم كل فئة على حدة باستخدام دالة سيغمويد، ويحتفظ بكل فئة تتجاوز عتبة محددة.

نماذج التصنيف من Ultralytics YOLO26، التي تشير إليها اللاحقة -cls، هي مصنفات ذات تسمية واحدة مدرّبة مسبقًا على ImageNet بدقة 224×224 بكسل؛ ويحقق أصغرها، YOLO26n-cls، دقة الفئة الأولى (top-1) تبلغ 71.4% مع 2.8 مليون معلمة. وتتدرب هذه النماذج على أي مجموعة بيانات منظمة على هيئة مجلد واحد من الصور لكل فئة:

from ultralytics import YOLO

# Load a YOLO26 classification model pretrained on the 1,000 ImageNet classes
model = YOLO("yolo26n-cls.pt")

# Classify the whole image
results = model("https://ultralytics.com/images/bus.jpg")
probs = results[0].probs

# Show the five most likely classes and their softmax probabilities
for class_id, confidence in zip(probs.top5, probs.top5conf.tolist()):
    print(f"{results[0].names[class_id]}: {confidence:.2f}")

تنتج الاحتمالات الخمسة عن تطبيق softmax واحد على الفئات الألف كلها، لذا فهي تبيّن مدى ثقة النموذج بخياره الأول مقارنةً بالفئات المشابهة.

التصنيف مقارنةً بالكشف والتجزئة#

يصف التصنيف الصورة بأكملها ولا يبيّن مواقع الأشياء أو عددها:

• كشف الكائنات: يعثر على كل كائن، ويضع له تسمية، ويحدد موقعه بصندوق إحاطة، ما يتيح له عدّ ثلاث سيارات في صورة واحدة.
• تجزئة الصور: يضع تسميات لوحدات البكسل، ويرسم الحدود الدقيقة لكل كائن أو منطقة.
• التعرّف على الصور: مصطلح أشمل للتعرّف على المحتوى في الصور، ويُستخدم غالبًا على نحو فضفاض مرادفًا للتصنيف.

يعتمد الاختيار بينها على مقدار التفاصيل المكانية التي يحتاج إليها التطبيق:

تطبيقات عملية#

• فحص التصنيع: تلتقط الكاميرات على خط الإنتاج صورة لكل قطعة، ويصنفها مصنّف على أنها مقبولة أو مرفوضة، لرفض القطع المعيبة آليًا.
• الفرز الطبي: تفرز النماذج صور الأشعة السينية للصدر وصور الآفات الجلدية ومسوح الشبكية إلى فئات طبيعية وغير طبيعية، ليبدأ الأطباء بمراجعة الحالات العاجلة.
• الزراعة: يصوّر المزارعون الأوراق بهواتفهم، ويحدد المصنّف مرض المحصول أو نقص العناصر الغذائية.
• تنظيم المحتوى: تصنّف مكتبات الصور والأسواق ملايين الصور بحسب المشهد وفئة المنتج، لتسهيل البحث فيها والإشراف عليها.

المقاييس المرجعية والنماذج#

تُقارن المصنفات بدقة الفئة الأولى، أي نسبة الصور التي تكون الفئة الأعلى احتمالًا فيها صحيحة، وبدقة أفضل خمس فئات، أي نسبة الصور التي تظهر فئتها الحقيقية ضمن الفئات الخمس الأرجح. نشأ التصنيف الحديث من تحدي ImageNet للتعرّف المرئي واسع النطاق، ولا تزال مجموعته الفرعية المكوّنة من 1,000 فئة ونحو 1.28 مليون صورة تدريبية هي المعيار القياسي. في 2012، خفّض AlexNet معدل خطأ أفضل خمس فئات إلى 15.3% بعد أن كان 26.2% لدى المنافس التالي، مطلقًا حقبة التعلّم العميق في الرؤية. وجعل ResNet تدريب الشبكات التي تضم أكثر من 100 طبقة ممكنًا في 2015، وأظهرت Vision Transformers في 2020 أن النماذج القائمة على الانتباه تضاهي شبكات CNN أو تتفوق عليها عند تدريبها مسبقًا على 14 مليونًا إلى 300 مليون صورة.