Large Vision Models (LVM)

تمثل النماذج البصرية الكبيرة (LVM) تطوراً رئيسياً في الذكاء الاصطناعي، حيث تركز حصرياً على فهم البيانات البصرية ومعالجتها وتوليدها على نطاق واسع. وخلافاً لأنظمة computer vision التقليدية التي تُدرب على مجموعات بيانات ضيقة لمهام محددة ومسلفقة، تعمل النماذج البصرية الكبيرة كfoundation models عامة تم تدريبها على مجموعات واسعة من الصور ومقاطع الفيديو. يتيح لهم هذا التدريب المسبق الشامل تطوير فهم عميق وشامل للهندسة البصرية، والقوام، والعلاقات المكانية المعقدة دون الاعتماد على تصنيفات مشروحة بشرياً.

كيف تعمل نماذج الرؤية الكبيرة#

تستفيد النماذج البصرية الكبيرة الحديثة عادة من Vision Transformers (ViT) أو الهندسيات الالتفافية عالية التوسع لمعالجة المدخلات البصرية. ومن خلال توظيف تقنيات self-supervised learning، مثل نمذجة الصور المقنعة، فإنها تتعلم عن طريق التنبؤ بالأجزاء المفقودة من الصورة أو الإطار. وقد أثبتت المنظمات الأكاديمية مثل Stanford Center for Research on Foundation Models أن توسيع نطاق عدد معاملات هذه النماذج بسرعة يؤدي إلى قدرات ناشئة وجاهزة للاستخدام. وهذا يتيح لها التكيف مع المهام اللاحقة مثل object detection عالي السرعة وتجزئة الصور المفصلة بأقل قدر من الضبط الدقيق.

تطبيقات العالم الحقيقي#

تعمل نماذج LVM على إحداث تحول في الصناعات من خلال معالجة التحليلات البصرية المعقدة التي كانت تتطلب سابقاً خوارزميات متخصصة للغاية ومصممة خصيصاً.

• Automated Medical Image Analysis: في البيئات السريرية، تعالج البنى البصرية الكبيرة صور الأشعة السينية عالية الدقة، والتصوير بالرنين المغناطيسي، والتصوير المقطعي المحوسب لتحديد الشذوذ الدقيق، مما يساعد أخصائيي الأشعة في الكشف المبكر عن الأمراض وتقليل أخطاء التشخيص بشكل كبير.
• Defect Detection in Manufacturing: تستخدم خطوط إنتاج المصانع نماذج الرؤية العامة لفحص المنتجات في الوقت الفعلي، وتحديد العيوب المعقدة وغير المسبوقة بسهولة على خطوط التجميع وتحسين مراقبة الجودة دون الحاجة إلى آلاف الأمثلة لكل عيب محدد.

التمييز بين المفاهيم ذات الصلة#

لفهم مشهد الذكاء الاصطناعي بشكل كامل، من المفيد تمييز نماذج LVM عن النماذج الأساسية الشائعة الأخرى:

• النموذج البصري الكبير مقابل Vision Language Model (VLM): بينما يعالج النموذج البصري الكبير الوسائط البصرية فقط (البكسلات)، يدمج النموذج البصري اللغوي كل من النص والصور، مما يسمح للمستخدمين بطرح أسئلة باللغة الطبيعية حول صورة أو تلقي أوصاف نصية لفيديو.
• النموذج البصري الكبير مقابل Large Language Model (LLM): يتم تدريب نماذج اللغات الكبيرة حصرياً على البيانات النصية لفهم اللغة البشرية وتوليدها. ويقوم النموذج البصري الكبير بالتحجيم والفهم المكافئ، ولكن حصرياً للبيانات البصرية.

العمل مع نماذج الرؤية#

بينما تتطلب النماذج البصرية الكبيرة الضخمة غالباً مجموعات خوادم تعمل بـ PyTorch أو TensorFlow، فإن نماذج الرؤية التأسيسية المحسنة للغاية مثل Ultralytics YOLO26 تجلب ذكاءً بصرياً قوياً وعالي المستوى مباشرة إلى بيئات الحافة المحلية. يوضح المثال التالي كيفية إجراء استدلال بصري قوي باستخدام نموذج مدرب مسبقاً:

from ultralytics import YOLO

# Load an advanced pre-trained Ultralytics YOLO26 model
model = YOLO("yolo26x.pt")

# Perform inference on an image to extract visual features and bounding boxes
results = model.predict("https://ultralytics.com/images/bus.jpg")

# Display the predicted visual relationships
results[0].show()

مستقبل الذكاء البصري#

إن الانتقال من البحث الأكاديمي المنشور على arXiv ومكتبة IEEE Xplore digital library الرقمية إلى الاستخدام المؤسسي العملي يتسارع بسرعة. تعمل الابتكارات الصادرة عن مجموعات بحثية مثل Google DeepMind بنشاط على توسيع النماذج البصرية الكبيرة في النطاق الزمني، مما يتيح للنماذج فهم تسلسلات الفيديو المعقدة الشبيهة بالتوليدات التي شوهدت في OpenAI's Sora.

بالنسبة للمطورين والمنظمات التي تتطلع إلى بناء حلول ذكاء اصطناعي بصري مخصصة، توفر منصة Ultralytics Platform أدوات سلسة لتصنيف مجموعات البيانات القائمة على الفريق، والتدريب السحابي، وmodel deployment المبسط، مما يجعل قدرات الرؤية المتقدمة في متناول الجميع. علاوة على ذلك، تُظهر أدوات التجزئة ذات اللقطة الصفرية مثل Segment Anything 2 (SAM 2) التابعة لشركة Meta كيف أن نهج الرؤية التأسيسية واسعة النطاق — التي يتم تفصيلها بشكل متكرر في مكتبة ACM Digital Library — توحد الفهم المعقد على مستوى البكسل عبر صناعة الذكاء الاصطناعي بأكملها.