Image Recognition

التعرّف على الصور هو المصطلح الأشمل للبرمجيات التي تحدد محتوى الصورة: كائنات أو أشخاص أو أماكن أو نصوص أو أفعال. ويُستخدم في الحياة اليومية مرادفًا لـتصنيف الصور، أي إسناد تسمية مثل «كلب جولدن ريتريفر» أو «التهاب رئوي» إلى صورة كاملة. أما في الأبحاث، فيغطي «التعرّف البصري» مجموعة أوسع من المهام التي تحدد محتوى الصور، مثل تحدي ImageNet للتعرّف البصري واسع النطاق، الذي أُقيم من 2010 إلى 2017 وشمل مسارات للتصنيف وتحديد المواقع وكشف الكائنات.

آلية عمل التعرّف على الصور#

يحوّل نموذج التعرّف وحدات البكسل إلى وصف موجز، ثم يقارن ذلك الوصف بما يعرفه. وتستخرج 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، ثم تجمعها في متجه سمات أو تضمين. وتعتمد الخطوة التالية على كيفية تحديد مجموعة الإجابات الممكنة:

تختار طبقة رأس التصنيف، المدرّبة باستخدام التعلّم الخاضع للإشراف على صور موسومة مثل صور التدريب البالغ عددها 1.28 مليون ضمن فئات ImageNet الألف، الفئة الأكثر احتمالًا من فئاتها الثابتة. وتقارن أنظمة التعرّف على الوجوه والمنتجات التضمين بمعرض من الأمثلة المخزنة، لذا يمكن إضافة أشخاص أو منتجات جدد دون إعادة التدريب. وتضمّن نماذج التعلّم بلا أمثلة، مثل CLIP من OpenAI، الصور والنصوص في الفضاء نفسه، وتتعرف على أي فئة يمكن وصفها بموجّه نصي.

قبل التعلّم العميق، كانت أنظمة التعرّف تمرر السمات المصممة يدويًا، مثل نقاط SIFT المفتاحية ومدرجات التدرجات الموجّهة، إلى مصنّفات مثل آلات المتجهات الداعمة. وفي عام 2012، خفّض AlexNet معدل الخطأ ضمن أعلى خمس مراتب في ImageNet إلى 15.3% بعد أن كان 26.2% لدى المنافس التالي، ومنذ ذلك الحين هيمنت السمات المتعلَّمة.

أشكال التعرّف على الصور#

• تصنيف الصور: تسمية واحدة للصورة بأكملها، أو عدة تسميات في التصنيف متعدد التسميات.
• كشف الكائنات: تسمية وصندوق إحاطة لكل كائن، بحيث تنتج الصورة التي تضم ثلاثة كلاب ثلاث نتائج.
• التعرّف على الوجوه: يحدد شخصًا بعينه أو يتحقق من هويته عبر مقارنة تضمين الوجه بوجوه مسجلة.
• التعرّف الضوئي على الأحرف (OCR): يقرأ النصوص المطبوعة أو المكتوبة بخط اليد في الصورة بوصفها محارف قابلة للقراءة آليًا.
• التعرّف على الأفعال: يحدد ما يفعله الأشخاص عبر إطارات الفيديو.

يتعامل YOLO26 مع أول شكلين: إذ تسند نماذج -cls إحدى فئات ImageNet الألف إلى صورة كاملة، وتحدد نماذج الكشف أسماء الكائنات ومواقعها. يشغّل هذا المثال كلا النموذجين على الصورة نفسها:

from ultralytics import YOLO

image = "https://ultralytics.com/images/bus.jpg"

# ⁨التعرّف على مستوى الصورة: تسمية واحدة للصورة كاملة⁩
classifier = YOLO("yolo26n-cls.pt")
results = classifier(image)
result = results[0]
print("Image label:", result.names[result.probs.top1])

# ⁨التعرّف على مستوى الكائن: تسمية لكل كائن يُعثر عليه⁩
detector = YOLO("yolo26n.pt")
results = detector(image)
result = results[0]
print("Objects:", [result.names[int(c)] for c in result.boxes.cls])

يعيد المصنّف تسمية واحدة من ImageNet للصورة كاملة، بينما يعيد الكاشف تسمية واحدة من COCO لكل كائن يعثر عليه.

تطبيقات عملية#

• تحليل الصور الطبية: تصنّف النماذج صور الأشعة السينية للصدر وصور الجلد ومسوح الشبكية إلى طبيعية وغير طبيعية، ليبدأ الأطباء بمراجعة الحالات العاجلة.
• البيع بالتجزئة: يطابق التعرّف على المنتجات السلع الموجودة على الرفوف أو عند الدفع مع كتالوج صور المنتجات، بما فيها المنتجات التي أُضيفت بعد تدريب النموذج.
• التصنيع: تتعرف كاميرات خط الإنتاج على القطع المعيبة والمكوّنات الخاطئة أو المفقودة قبل التغليف.
• إمكانية الوصول: تصف قارئات الشاشة وتطبيقات الهواتف الصور وتقرأ اللافتات بصوت عالٍ للمكفوفين أو ضعاف البصر.

التعرّف بما يتجاوز التسميات الثابتة#

لا تتعرّف المصنّفات ذات الفئات الثابتة إلا على الفئات التي دُرّبت عليها، وإضافة فئة جديدة تستلزم جمع صور معنونة وإعادة التدريب. وتزيل النماذج المدرّبة على أزواج الصور والنصوص هذا القيد، بينما توسّع نماذج الرؤية واللغة هذا النطاق ليشمل وصف المشاهد والإجابة عن الأسئلة المتعلقة بها. وقد حقق CLIP، المدرّب على 400 مليون زوج من الصور والنصوص من الإنترنت، دقةً على ImageNet تضاهي دقة ResNet-50 الأصلي في إعداد التعلّم الصفري، من دون استخدام أيّ من الصور الموسومة البالغ عددها 1.28 مليون صورة التي دُرّب عليها ResNet-50.