Image Classification

يُعد تصنيف الصور مهمة أساسية في رؤية الحاسوب (CV)، حيث يقوم نموذج تعلم الآلة بتحليل الصورة بالكامل وتعيين تسمية واحدة لها من مجموعة فئات محددة مسبقًا. وبشكل أساسي، فإنه يجيب على السؤال: "ما هو الموضوع الرئيسي لهذه الصورة؟". وباعتبارها عنصراً جوهرياً في الذكاء الاصطناعي (AI)، تُمكّن هذه العملية الأنظمة المؤتمتة من تنظيم وتصنيف وتفسير البيانات البصرية على نطاق واسع. وعلى الرغم من أن الأمر قد يبدو بسيطاً للعين البشرية، إلا أن تمكين الحواسيب من التعرف على الأنماط يتطلب خوارزميات تعلم الآلة (ML) متطورة لسد الفجوة بين البكسلات الخام والمفاهيم ذات المعنى.

Link to this sectionآلية عمل التصنيف#

يعتمد تصنيف الصور الحديث بشكل كبير على بنيات التعلم العميق (DL) المعروفة باسم الشبكات العصبية التلافيفية (CNNs). تم تصميم هذه الشبكات لمحاكاة الطريقة التي يعالج بها القشرة البصرية البيولوجية المعلومات. ومن خلال عملية تسمى استخراج الميزات، يتعلم النموذج تحديد السمات منخفضة المستوى مثل الحواف والقوام في الطبقات الأولى، ثم يدمجها في النهاية للتعرف على الأشكال والكائنات المعقدة في الطبقات الأكثر عمقاً.

لبناء مُصنِّف، يستخدم المطورون التعلم الخاضع للإشراف، حيث يتم تزويد النموذج بكميات هائلة من بيانات التدريب التي تحتوي على أمثلة مُصنَّفة. وقد ساهمت مجموعات البيانات العامة الكبيرة مثل ImageNet بشكل فعال في تعزيز دقة هذه الأنظمة. خلال مرحلة الاستدلال، يُصدر النموذج درجة احتمالية لكل فئة، وغالباً ما يستخدم دالة softmax لتحديد الفئة الأكثر احتمالاً.

Link to this sectionالتصنيف مقابل مهام الرؤية الأخرى#

من المهم التمييز بين تصنيف الصور وقدرات رؤية الحاسوب ذات الصلة، حيث يعتمد اختيار التقنية على المشكلة المحددة:

• التصنيف مقابل اكتشاف الكائنات: يقوم التصنيف بتعيين تسمية واحدة للصورة بأكملها. على النقيض من ذلك، يحدد اكتشاف الكائنات موقع كائنات متعددة داخل المشهد عن طريق رسم صندوق محيط حول كل منها.
• التصنيف مقابل تجزئة الصور: بينما ينظر التصنيف إلى السياق العام، توفر التجزئة دقة على مستوى البكسل. تقوم التجزئة الدلالية بتصنيف كل بكسل فردي، مما يسمح بتحديد دقيق للحدود بين الكائنات والخلفية.

Link to this sectionتطبيقات العالم الحقيقي#

يدعم تصنيف الصور مجموعة واسعة من تطبيقات الذكاء الاصطناعي الواقعية عبر صناعات متنوعة:

Link to this sectionالتشخيص في الرعاية الصحية#

في المجال الطبي، تساعد نماذج التصنيف أخصائيي الأشعة من خلال تحليل الفحوصات التشخيصية. يمكن لأدوات تحليل الصور الطبية تصنيف صور الأشعة السينية أو الرنين المغناطيسي بسرعة على أنها "طبيعية" أو "غير طبيعية"، أو تحديد حالات محددة مثل اكتشاف الأورام، مما يسمح بفرز وتشخيص أسرع للمرضى.

Link to this sectionمراقبة الجودة في التصنيع#

تستخدم المصانع الفحص البصري المؤتمت للحفاظ على معايير المنتج. تلتقط الكاميرات الموجودة على خطوط التجميع صوراً للمكونات، وتقوم نماذج التصنيف بتسميتها فوراً على أنها "اجتياز" أو "فشل" بناءً على العيوب الظاهرة. تضمن مراقبة الجودة المؤتمتة هذه وصول العناصر غير المعيبة فقط إلى مرحلة التعبئة والتغليف.

Link to this sectionالزراعة الذكية#

يستفيد المزارعون من الذكاء الاصطناعي في الزراعة لمراقبة صحة المحاصيل. من خلال تصنيف الصور التي تلتقطها الطائرات بدون طيار أو الهواتف الذكية، يمكن للأنظمة تحديد علامات المرض، أو نقص المغذيات، أو تفشي الآفات، مما يتيح تدخلات الزراعة الدقيقة الموجهة.

Link to this sectionتنفيذ التصنيف باستخدام YOLO26#

يوفر إطار عمل Ultralytics YOLO26، رغم شهرته في الاكتشاف، أداءً متطوراً لـ مهام تصنيف الصور. بنيته مُحسَّنة للسرعة والدقة، مما يجعله مناسباً للتطبيقات في الوقت الفعلي.

إليك مثال موجز حول كيفية تحميل نموذج مُدرب مسبقاً وتصنيف صورة باستخدام حزمة ultralytics بلغة Python:

from ultralytics import YOLO

# Load a pre-trained YOLO26 classification model
model = YOLO("yolo26n-cls.pt")

# Run inference on an image source
results = model("https://ultralytics.com/images/bus.jpg")

# Print the top predicted class name
print(f"Prediction: {results[0].names[results[0].probs.top1]}")

بالنسبة للفرق التي تتطلع إلى تبسيط سير العمل الخاص بها، تعمل منصة Ultralytics على تبسيط خط الإنتاج بالكامل. فهي تتيح للمستخدمين إدارة مجموعات بيانات التصنيف، وإجراء التدريب المستند إلى السحابة، ونشر النماذج بتنسيقات متنوعة مثل ONNX أو TensorRT دون الحاجة إلى بنية تحتية برمجية معقدة.