اكتشف كيف يُمكِّن الذكاء الاصطناعي الذكاء الاصطناعي من classify المرئيات وفهمها، مما يؤدي إلى الابتكار في مجالات الرعاية الصحية وتجارة التجزئة والأمن وغيرها.
يعد التعرف على الصور تقنية حيوية ضمن المجال الأوسع نطاقاً في مجال الرؤية الحاسوبية (CV) التي تمكّن البرامج من التعرف على الأشياء والأشخاص والأماكن والكتابة في الصور. تتيح هذه التقنية في جوهرها لأجهزة الكمبيوتر "رؤية" وتفسير البيانات المرئية بطريقة تحاكي الإدراك البشري. من خلال تحليل محتوى البكسل في الصور الرقمية أو إطارات الفيديو يمكن لخوارزميات التعلم الآلي (ML) استخراج أنماط ذات معنى وتعيين مفاهيم عالية المستوى للمدخلات المرئية. تعد هذه القدرة أساسية للذكاء الاصطناعي الحديث الذكاء الاصطناعي الحديثة، مما يمكّن للأنظمة من أتمتة المهام التي كانت تتطلب في السابق رؤية وفهمًا بشريًا.
تعتمد أنظمة التعرف على الصور الحديثة في الغالب على معماريات التعلم العميق (DL). على وجه التحديد, الشبكات العصبية التلافيفية (CNNs) هي المعيار السائد في هذا المجال نظرًا لقدرتها على الحفاظ على العلاقات المكانية في البيانات. هذه الشبكات تعالج الصور من خلال طبقات من المرشحات الرياضية، وتقوم بإجراء استخراج الميزات لتحديد الأشكال البسيطة مثل الحواف والأنسجة قبل دمجها للتعرف على الكيانات المعقدة مثل الوجوه أو المركبات.
لكي تعمل هذه النماذج بشكل فعال، تتطلب هذه النماذج بيانات تدريبية واسعة النطاق. مجموعات ضخمة من الصور المصنفة مثل مجموعة بياناتImageNet الشهيرة، تسمح للنموذج بتعلم إحصائية احتمالية أن يتوافق ترتيب معين من البيكسلات مع فئة معينة، مثل "مسترد ذهبي" أو "مسترد ذهبي" أو "إشارة مرور". مسترد ذهبي" أو "إشارة مرور".
على الرغم من استخدامها غالباً بالتبادل مع مصطلحات أخرى، إلا أن تحديد الفروق الدقيقة أمر مهم للمطورين:
تشمل فائدة التعرف على الصور كل القطاعات تقريبًا. في الرعاية الصحية، تساعد الخوارزميات أخصائيي الأشعة من خلال التعرف تلقائيًا على الحالات الشاذة في صور الأشعة السينية والتصوير بالرنين المغناطيسي، مما يؤدي إلى تشخيص أسرع لحالات مثل الالتهاب الرئوي أو الأورام. يندرج هذا تحت المجال المتخصص في تحليل الصور الطبية.
هناك حالة استخدام بارزة أخرى في صناعة السيارات، وتحديدًا في مجال السيارات ذاتية القيادة. تستخدم السيارات ذاتية القيادة خوارزميات التعرف على علامات المسارات، وقراءة إشارات حدود السرعة، detect المشاة في الوقت الحقيقي لاتخاذ قرارات حرجة تتعلق بالسلامة. وبالمثل، في في بيئات البيع بالتجزئة الذكية، تستخدم الأنظمة التعرف على لتسهيل عملية الدفع بدون أمين الصندوق من خلال تحديد المنتجات أثناء قيام العملاء باختيارها من على الرفوف.
يمكن للمطورين تنفيذ قدرات التعرف بسهولة باستخدام أحدث النماذج مثل YOLO11. بينما يشتهر YOLO بالكشف، فإنه يدعم أيضًا مهام التصنيف عالية السرعة. ما يلي Python التالي يوضح كيفية تحميل نموذج مدرّب مسبقًا وتحديد الموضوع الرئيسي للصورة.
from ultralytics import YOLO
# Load a pre-trained YOLO11 classification model
model = YOLO("yolo11n-cls.pt")
# Perform inference on an external image URL
# The model will identify the most likely class (e.g., 'sportscar')
results = model("https://ultralytics.com/images/bus.jpg")
# Display the top predicted class name
print(f"Top Prediction: {results[0].names[results[0].probs.top1]}")
مع تحسّن الأجهزة، يتجه المجال نحو الذكاء الاصطناعي المتطور, حيث يحدث التعرّف مباشرةً على الأجهزة مثل الهواتف الذكية والكاميرات بدلاً من السحابة. هذا التحول يقلل من زمن الاستجابة ويحسن الخصوصية. علاوة على ذلك، فإن التطورات في في تكميم النماذج يجعل هذه الأدوات القوية أدوات خفيفة الوزن بما يكفي لتشغيلها على المتحكمات الدقيقة، مما يوسع أفق تطبيقات إنترنت الأشياء.
