إيمدج نت

ImageNet عبارة عن مجموعة بيانات ضخمة متاحة للجمهور تضم أكثر من 14 مليون صورة تم شرحها يدويًا للإشارة إلى الأشياء التي تصورها، وهي منظمة وفقًا للتسلسل الهرمي لشبكة الكلمات. وهي منظمة وفقًا للتسلسل الهرمي لشبكة WordNet، وتحتوي على أكثر من 20,000 فئة، حيث تتكون الفئة النموذجية، مثل "بالون" أو "فراولة"، من عدة مئات من الصور. وقد كان لهذه المجموعة الواسعة والمتنوعة دور أساسي في تطوير مجالات الرؤية الحاسوبية والتعلم العميق، حيث كانت بمثابة معيار لتدريب النماذج وقياسها.

كان إنشاء ImageNet من قبل باحثين في جامعة ستانفورد لحظة محورية للذكاء الاصطناعي. فقبل ImageNet، كانت مجموعات البيانات قبل ImageNet صغيرة جداً لتدريب الشبكات العصبية المعقدة (NN) بشكل فعال، مما أدى إلى مشاكل مثل الإفراط في التهيئة. وفرت ImageNet النطاق اللازم لتدريب النماذج العميقة، مما مهد الطريق لثورة الذكاء الاصطناعي الحديثة. يمكنك معرفة المزيد من خلال قراءة ورقة بحث ImageNet الأصلية.

تحدي Imagenet للتعرف البصري على نطاق واسع (ILSVRC)

تم تضخيم تأثير ImageNet من خلال تحدي ImageNet للتعرف البصري على نطاق واسع (ILSVRC)، وهي مسابقة سنوية أقيمت من عام 2010 إلى عام 2017. أصبح هذا التحدي معيارًا حاسمًا لتقييم أداء خوارزميات الرؤية الحاسوبية. في عام 2012، حققت الشبكة العصبية التلافيفية (CNN) المسماة AlexNet انتصارًا رائدًا، حيث تفوقت بشكل كبير على جميع النماذج السابقة. وأظهر هذا النجاح قوة التعلم العميق وحوسبة وحدة معالجة الرسوميات، مما أثار موجة من الابتكار في هذا المجال. لقد كان ILSVRC محركًا رئيسيًا في تطوير العديد من البنى الحديثة، ويمكنك أن ترى أداء النماذج الحالية على معايير مختلفة على مواقع مثل Papers with Code.

تطبيقات Imagenet في العالم الحقيقي

الاستخدام الأساسي ل ImageNet هو كمصدر لنماذج ما قبل التدريب. من خلال تدريب نموذج على مجموعة البيانات الضخمة هذه، يتعلم النموذج التعرف على مجموعة غنية من الميزات المرئية. يمكن بعد ذلك نقل هذه المعرفة إلى مهام جديدة أكثر تحديدًا. وتُعرف هذه التقنية باسم التعلُّم التحويلي.

1. تحليل التصوير الطبي: يمكن ضبط نموذج تم تدريبه مسبقًا على ImageNet، مثل نموذج Ultralytics YOLO، على مجموعة بيانات أصغر بكثير ومتخصصة من عمليات المسح الطبي للكشف عن حالات معينة مثل الأورام. يوفر التدريب الأولي على ImageNet أساسًا قويًا للفهم البصري العام، وهو أمر بالغ الأهمية لتحقيق دقة عالية في مهام تحليل الصور الطبية حيث تندر البيانات المصنفة. وهذا تطبيق رئيسي للذكاء الاصطناعي في مجال الرعاية الصحية.
2. التعرف على منتجات التجزئة: في مجال البيع بالتجزئة، يمكن تكييف النماذج لتحديد آلاف المنتجات المختلفة على الرفوف لإدارة المخزون آلياً. فبدلاً من التدريب من الصفر، يمكن تكييف نموذج تم تدريبه مسبقاً على ImageNet بسرعة مع المنتجات المحددة للمتجر. وهذا يقلل من الحاجة إلى كميات هائلة من بيانات التدريب المخصصة ويسرّع نشر النموذج. تستفيد العديد من حلول الذكاء الاصطناعي القوية في مجال البيع بالتجزئة من هذا النهج.

Imagenet مقابل المفاهيم ذات الصلة

من المهم التفريق بين ImageNet والمصطلحات ومجموعات البيانات الأخرى ذات الصلة:

• ImageNet مقابل مهام السيرة الذاتية: ImageNet نفسها هي مجموعة بيانات -مجموعة من الصور المصنفة. إنها ليست مهمة. بدلاً من ذلك، يتم استخدامها لتدريب وقياس النماذج التي تؤدي مهام مثل تصنيف الصور، حيث يتم تعيين تسمية واحدة للصورة. يختلف هذا عن اكتشاف الكائنات، والذي يتضمن تحديد موقع الكائنات ذات المربعات المحددة، أو تجزئة الصور، والتي تصنف كل بكسل في الصورة.
• ImageNet مقابل COCO: في حين أن ImageNet هي المعيار الذهبي للتصنيف، فإن مجموعات بيانات الرؤية الحاسوبية الأخرى أكثر ملاءمة لمهام أخرى. فمجموعة بيانات COCO (الكائنات المشتركة في السياق) ، على سبيل المثال، هي المعيار المفضل لاكتشاف الكائنات وتجزئة المثيل. هذا لأن COCO توفر شروحًا أكثر تفصيلاً، مثل المربعات المحدودة وأقنعة التجزئة لكل بكسل للأجسام المتعددة في كل صورة. في المقابل، تحتوي معظم صور ImageNet على تسمية واحدة فقط على مستوى الصورة.

غالبًا ما يتم تدريب النماذج مثل YOLO11 مسبقًا على ImageNet لتصنيفها قبل أن يتم تدريبها على COCO لمهام الكشف. تستفيد عملية التدريب متعددة المراحل هذه من نقاط القوة في كلا مجموعتي البيانات. يمكنك الاطلاع على كيفية مقارنة النماذج المختلفة على هذه المعايير على صفحات مقارنة النماذج الخاصة بنا. على الرغم من تأثيرها الكبير، إلا أنه من الجدير بالذكر أن ImageNet لها قيود، بما في ذلك تحيزات مجموعة البيانات المعروفة التي من المهم أخذها في الاعتبار من منظور أخلاقيات الذكاء الاصطناعي.